支持向量机（SVM）是一种机器学习方法，基于结构风险最小化原则，即通过少量样本数据，得到尽可能多的样本数据。
支持向量机对线性问题进行处理，能解决非线性分类问题。
本文介绍了R语言中的 SVM工具箱及其支持向量机（SVM）方法，并将其应用于文本情感分析领域，结果表明，该方法是有效的。
在此基础上，对文本挖掘新闻语料进行情感分类和词云可视化，从视觉上对文本进行情感分析。
语料是从yahoo Qimo上爬的新闻语料，一共49000篇，每篇包含题目、新闻内容、评论、读者投票结果（投票选择依次为：实用，感人、开心、超扯、无聊、害怕、难过、火大）以及总投票个数。
数据概览
以第一个预料为例
对其分词提取关键词
library(jiebaR)
cutter = worker(type = "keywords", topn = 10)
words = "1.txt"查看工作目录下所有的文件
dir = list.files(".")
获取分类号
xx<-readLines(dir[i],encoding = "UTF-8")
## Warning in readLines(dir[i], encoding = "UTF-8"): 读'1.txt'时最后一行未遂
# xx<-readLines("2.txt",encoding = "UTF-8")
class=strsplit(xx[length(xx)-1],split="#")[[1]][3]词性分类
for(i in 1:10){
cutter = worker(type = "keywords", topn = 10)
绘制词汇图
mycolors <- brewer.pal(8,"Dark2")#设置一个颜色系：
wordcloud(cutter_words,as.numeriter_words)),random.order=FAL
随时关注您喜欢的主题
准备训练集和测试集
ntrain <- round(n*0.8) # 训练集
tindex <- sample(n,ntrain) # 筛选测试集样本
xtrain<-textdata[tindex,]
xtest<-textdata[-tindex,]
#可视化
plot(textdata[,c("classlist","X1")] ,pch=ifelse(istrain==1,1,2))训练SVM
现在我们在训练集上使用来训练线性SVM
svm(classlist ~ . , textdata)
预测数据
predictedY <- predict(model, textdata)
预测的数据
查看分类混淆矩阵
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
MATLAB用CNN-LSTM神经网络的语音情感分类深度学习研究
过采样SMOTE逻辑回归、SVM、随机森林、AdaBoost和XGBoost对不平衡数据分析预测
短语挖掘与流行度、一致性及信息度评估：基于文本挖掘与词频统计|附数据代码
文本挖掘分析多元应用：新能源汽车股市、英国封锁、疫情旅游与舆情分析
