Analyse de Sentiment

1. Présentation Générale

1.1. Objectif

La société Air Paradis souhaite détecter les éventuels Bad Buzz afin d'anticiper ou de préparer une réponse rapide. Dans ce cadre, nous développons un outil permettant d'analyser des tweets et de prédire leur sentiment (positif ou négatif).

1.2. Domaine d'étude

Nous utilisons des réseaux de neurones profonds, spécialement dans le domaine du Natural Language Processing (NLP). Les données sont composées de tweets en langue anglaise.

Exemples de tweets classifiables

• "Great day out" (Super journée.) → Sentiment positif
• "Goodness I am tired... Ugh lack of sleep is so bad for me." (Mon dieu, je suis épuisé... Le manque de sommeil est mauvais pour moi.) → Sentiment négatif
• "@TheSilentCoyote what about the podcast?" → Difficile à classifier

Les défis de cette classification incluent :

• Orthographe et syntaxe approximatives
• Implicite (humour, ironie, sarcasme)
• Analyse du contexte

1.3. Principes et évaluation

Le jeu de données est divisé en deux :

• Jeu d'entraînement pour configurer nos modèles
• Jeu de test pour évaluer les performances

L'équilibre parfait entre tweets positifs et négatifs garantit une évaluation fiable.

Nous explorons plusieurs approches et comparons les modèles selon plusieurs métriques :

• Précision, Recall, Spécificité, Accuracy, F1-score
• Courbe ROC & AUC, Matrice de confusion
• Temps d'entraînement

1.4. Préparation des données

Les tweets subissent une tokenisation avant d'être transformés de trois manières :

• Texte brut (Raw)
• Lemmatisation
• Stemmatisation

1.5. Modélisation

Trois approches sont testées :

1. Modèle simple : Algorithmes de Machine Learning rapide
2. Modèle avancé : Deep Learning avec Word Embedding
3. Modèle BERT : Transfer Learning

---

2. Analyse Exploratoire

Les données sont issues de Sentiment140 (Kaggle). Elles comprennent 1,6 million de tweets avec 6 caractéristiques, mais nous retenons seulement :

• Text : Contenu du tweet
• Target : Sentiment (0 = négatif, 4 = positif)

Répartition des sentiments

Variable cible parfaitement équilibrée :

• 800 000 tweets positifs
• 800 000 tweets négatifs

---

3. Prétraitement (Preprocessing)

3.1. Substitutions appliquées aux tweets

1. Remplacement des URLs par '<url>'
2. Remplacement des @usernames par '<user>'
3. Réduction des lettres répétées ('Heyyyy' → 'Heyy')
4. Remplacement des émojis par des équivalents textuels
5. Expansion des contractions ("can't" → "cannot")
6. Suppression des caractères spéciaux

3.2. Tokenisation

Utilisation de word_tokenize (NLTK) suivie de lemmatisation/stemmatisation.

---

4. Modélisation

Nous utilisons un échantillon de 200 000 tweets (données équilibrées).

4.1. Modèle simple (Machine Learning)

Algorithmes testés :

• Régression Logistique
• Naive Bayes
• Support Vector Classifier (SVC)

Résultats

Modèle	Accuracy (sans preprocessing)
Logistic Regression	80.28%
SVC	79.69%
Naive Bayes	78.58%

Modèle retenu : Régression Logistique (C=2, 1000 itérations)

Performances :

• Accuracy : 80.28%
• ROC AUC : 88.38%
• Temps d'entraînement : 30 sec

---

4.2. Modèle avancé (Deep Learning)

Word Embeddings testés :

• FastText, GloVe, Word2Vec

Avec et sans LSTM

Résultats

Embedding	Sans LSTM	Avec LSTM
GloVe	78.16%	79.30%
Word2Vec	75.51%	76.63%
FastText	77.56%	78.98%

Modèle retenu : GloVe + LSTM

---

4.3. Modèle BERT (Transfer Learning)

Utilisation de bert-base-uncased avec fine-tuning.

Résultats

Modèle	Accuracy	ROC AUC
BERT	84.25%	90.21%

---

Conclusion

• Le modèle BERT offre les meilleures performances.
• LSTM + GloVe est une alternative valable si les ressources sont limitées.
• Les modèles classiques (Logistic Regression) sont rapides mais moins précis.

---

Ce projet montre l'importance du choix de modèle et du prétraitement pour l'analyse de sentiment ! 🚀