The naive sentiment classification function based on NBSVM trained on wisesight_sentiment
pip install thai_sentiment==0.1.3
from thai_sentiment import get_sentiment
get_sentiment('ร้านนี้บรรยากาศดีนะครับ')
> ('pos', #pos แปลว่า เป็นบวก
{'pos': 0.33864993351079425,
'neu': 0.28699790627796756,
'neg': 0.07578396636250984})
get_sentiment('ร้านนี้อาหารอย่างแย่')
> ('neg', #neg แปลว่า เป็นลบ
{'pos': 0.07848318054147058,
'neu': 0.28609131356977374,
'neg': 0.3279735800256706})
get_sentiment('ร้านนี้อยู่บางรัก')
> ('neu', #neu แปลว่า เฉยๆ
{'pos': 0.23328174158421325,
'neu': 0.6859672540205807,
'neg': 0.024412368023402797})
Library นี้สร้างขึ้นจากการใช้โมเดล NBSVM ที่เทรนด้วยข้อมูล wisesight_sentiment ซึ่งจะเห็นว่าได้ผลดีพอประมาณ (Micro-averaged F1 72.03 vs 76.19 จาก WangchanBERTa โมเดลที่ดีที่สุด เหมาะสำหรับคนที่ไม่อยากเทรนโมเดลอะไรเลย แค่อยากเรียก function get_sentiment แล้วได้ว่าข้อความเป็น บวก, กลาง, ลบ
| Micro-averaged F1 | |
|---|---|
| NBSVM | 72.03 |
| ULMFit | 70.95 |
| XLMR | 73.57 |
| mBERT | 70.05 |
| WanchanBERTa | 76.19 |
แน่นอนว่าโมเดล machine learning ทุกโมเดลทำงานได้ดีใน domain เฉพาะของมัน เพราะงั้นถ้าคุณอยากได้โมเดลดีๆเราก็แนะนำให้ไปเทรนโมเดลบนชุดข้อมูลของคุณเองตามโพสนี้มากกว่าที่จะมานั่งเรียก function ที่เทรนจากชุดข้อมูลอื่นแบบนี้