Análisis de Sentimientos con Machine Learning, Flask y Streamlit

Descripción

Este proyecto analiza el sentimiento de un texto (positivo, negativo o neutro) utilizando Machine Learning, una API en Flask y una interfaz en Streamlit.

El modelo de Machine Learning fue entrenado con scikit-learn y usa TfidfVectorizer para procesar el texto. Luego, se despliega una API en Flask y una interfaz visual en Streamlit, ambas alojadas en Render.

---

Tecnologías Utilizadas

• Python 3.9+
• Flask (API REST)
• Streamlit (Interfaz Gráfica)
• scikit-learn (Machine Learning)
• pandas (Manejo de datos)
• nltk (Procesamiento de texto)
• joblib (Guardar/cargar el modelo)
• Render (Despliegue en la nube)

---

Instalación y Uso

1️⃣ Clonar el repositorio

git clone https://github.com/RoseRossi/SentimentAnalyzer.git
cd SentimentAnalyzer

2️⃣ Crear y activar el entorno virtual

python -m venv venv
# Activar el entorno
# En Windows:
venv\Scripts\activate
# En Mac/Linux:
source venv/bin/activate

3️⃣ Instalar las dependencias

pip install -r requirements.txt

4️⃣ Entrenar el modelo (opcional)

python src/train_model.py

5️⃣ Ejecutar la API Flask

python src/api.py

La API estará disponible en: http://127.0.0.1:5000/

6️⃣ Ejecutar la interfaz en Streamlit

streamlit run src/app.py

La interfaz estará disponible en: http://localhost:8501/

---

Despliegue en la Nube

API Flask en Render

La API está desplegada en Render y se puede acceder desde:

https://sentimentanalyzer-yvg1.onrender.com/analizar

Ejemplo de petición con curl:

curl -X POST https://sentimentanalyzer-yvg1.onrender.com/analizar \
-H "Content-Type: application/json" \
-d '{"texto": "Me encanta este producto, es increíble"}'

Interfaz en Streamlit

La interfaz está desplegada en:

https://sentimentanalyzer-uistreamlit-run-src.onrender.com

Aquí puedes escribir cualquier texto y ver su análisis de sentimiento en tiempo real.