UD03 · Taller 1 — Del texto al vector: análisis de sentimiento¶

Entregable de la unidad

Cuenta en el 40 % de actividades del RA3, junto con los notebooks entregables. Trabaja en parejas si lo indica el profesor.

Hazlo en el notebook

Tienes este taller como notebook con las celdas a rellenar: UD03_T01_del_texto_al_vector.ipynb. Esta página es la referencia; lo que se entrega es el notebook completado.

Requisitos

Va en el contenedor de la unidad (docker compose up -d en la carpeta de la UD03), o en cualquier Python 3.12+ con:

pip install nltk spacy scikit-learn
python -m spacy download es_core_news_sm

Este taller no necesita GPU ni Colab.

Objetivo: construir un clasificador que determine si una reseña es positiva o negativa, usando un dataset anotado por el alumnado y scikit-learn.

Fase 1 — Crea tu dataset (origen y licencia)¶

Crea un fichero reseñas.csv con al menos 30 reseñas cortas en español (por parejas: 20 de entrenamiento, 10 de prueba) y su etiqueta (1 = positiva, 0 = negativa). Anota en el informe el origen (opiniones propias o de un restaurante ficticio) y la licencia (p. ej. anotación propia bajo CC BY).

texto	etiqueta
La comida estaba riquísima y el servicio rápido	1
Pedimos y el plato llegó frío	0
...	...

Fase 2 — Preprocesado con nltk¶

import nltk
from nltk.tokenize import word_tokenize
from nltk.corpus import stopwords
nltk.download(['punkt_tab', 'stopwords'])

STOP = set(stopwords.words('spanish'))

def limpiar(texto):
    tokens = word_tokenize(texto.lower(), language='spanish')
    return ' '.join(t for t in tokens if t.isalpha() and t not in STOP)

Aplica limpiar a todas las reseñas y muestra 3 ejemplos antes/después.

Fase 3 — Vectorizar y entrenar¶

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline
from sklearn.model_selection import train_test_split

df = pd.read_csv('reseñas.csv')
X = df['texto'].apply(limpiar)
y = df['etiqueta']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)

pipe = make_pipeline(TfidfVectorizer(), LogisticRegression())
pipe.fit(X_train, y_train)
print("Exactitud:", pipe.score(X_test, y_test))

Fase 4 — Matriz de confusión¶

from sklearn.metrics import confusion_matrix, classification_report
pred = pipe.predict(X_test)
print(confusion_matrix(y_test, pred))
print(classification_report(y_test, pred))

Interpeta la matriz: ¿cuántos positivos correctos, cuántos falsos positivos?

Fase 5 — Prueba con reseñas nuevas¶

for texto in ["El local está bien pero se notaba sucio", "¡Espectacular, volveré mañana!"]:
    print(pipe.predict([limpiar(texto)])[0], "←", texto)

Fase 6 — Análisis de errores¶

Busca en el test al menos 2 errores del modelo e intenta explicarlos (jerga, ironía, ambigüedad, vocabulario nuevo). Documenta la conclusión.

Entrega del Taller 1¶

Sube el notebook ejecutado. Se valora que interpretes los resultados, no solo que las celdas den un número.

Fase	Evidencia mínima
1	El conjunto de reseñas, con su origen y licencia declarados
2	El texto preprocesado: tokens, sin stopwords, normalizado
3	El clasificador entrenado y su exactitud sobre datos no vistos
4	La matriz de confusión, interpretada: qué confunde con qué
5	Las predicciones sobre reseñas nuevas, tuyas
6	Dos errores leídos uno a uno y qué tipo de ambigüedad los explica

Nota sobre la tabla anterior.

Soluciones

Las soluciones no se publican: se corrigen y comentan en clase.

Volver a la UD03 · Taller 2 · Ejercicios