Перегляньте частину завантаженого bos_pol$all, проіндексувавши [1:6,1:3].
Додайте новий стовпець scaled_polarity, застосувавши scale() до стовпця з полярністю bos_pol$all$polarity.
Для позитивних коментарів застосуйте subset(), де новий стовпець bos_reviews$scaled_polarity більший (>) за нуль.
Для негативних коментарів застосуйте subset(), де новий стовпець bos_reviews$scaled_polarity менший (<) за нуль.
Створіть pos_terms, використавши paste() на pos_comments.
Тепер створіть neg_terms за допомогою paste() на neg_comments.
Об'єднайте згорнуті документи pos_terms і neg_terms в один корпус під назвою all_terms.
Дотримуйтесь звичного робочого процесу tm, вклавши VectorSource() всередину VCorpus(), застосованого до all_terms.
Створіть TermDocumentMatrix(), використовуючи об'єкт all_corpus. Зверніть увагу: це TDM з вагами TfIdf і базовими функціями очищення.
Перетворіть all_tdm на all_tdm_m за допомогою as.matrix(). Потім перейменуйте стовпці в наявному коді на "positive" і "negative".
Нарешті! застосуйте comparison.cloud() до матриці all_tdm_m. Зверніть увагу на нові найчастіші негативні слова. Можливо, це відкриє новий інсайт!

Крок 4: Виділення ознак і крок 5: Час для аналізу... майже фініш!

Create Your Free Account