다 나와 사이트 특정 로봇 청소기 후기 긍정 부정 예측

크롤링사이트 다나와 로봇청소기 - 에브리봇

 

import pandas as pd
import numpy as np

 

 

폰트 설정

import matplotlib.pyplot as plt


from matplotlib import font_manager, rc
font_path = "C:/Windows/Fonts/NGULIM.TTF"
font = font_manager.FontProperties(fname=font_path).get_name()
rc('font', family=font)

%matplotlib inline

 

 

리뷰 selenium 크롤링

from selenium import webdriver
from selenium.webdriver.chrome.options import Options

driver = webdriver.Chrome('chromedriver.exe')

driver.implicitly_wait(6)

url = "https://prod.danawa.com/info/?pcode=12058100&keyword=%EC%97%90%EB%B8%8C%EB%A6%AC%EB%B4%87&cate=103744#bookmark_cm_opinion"
driver.get(url)

# version_2 : 10페이지 출력후 다음버튼 누름, 

from selenium.webdriver.common.by import By
import pandas as pd
import time

review_list = []
star_list = []

for page in range(1, 42):
    reviews = driver.find_element(By.CLASS_NAME,'rvw_list')
    titles = reviews.find_elements(By.CLASS_NAME, 'tit')
    stars = reviews.find_elements(By.CLASS_NAME, 'star_mask')
    
    print(page, titles[0].text)
    
    for title, star in zip(titles, stars):
        review_list.append(title.text)
        star_list.append(star.text)
#         print(star.text, '---', title.text)

#  
#     if page<10: 
#         driver.find_element(By.XPATH, f'//*[@id="danawa-prodBlog-companyReview-content-list"]/div/div/div/a[{page}]').click()
#         time.sleep(3)
#     else:# 다음 버튼 누르기
#         driver.find_element(By.XPATH, f'//*[@id="danawa-prodBlog-companyReview-content-list"]/div/div/a').click()

    if page % 10 == 0: 
        #페이지 10, 20번이면 다음버튼 클릭
        driver.find_element(By.XPATH, f'//*[@id="danawa-prodBlog-companyReview-content-list"]/div/div/a').click()
        time.sleep(5)
    else: 
        # 페이지 10, 20 아닐때,

        driver.find_element(By.XPATH, f'//*[@id="danawa-prodBlog-companyReview-content-list"]/div/div/div/a[{page%10}]').click()
        time.sleep(5)

 

1 추천합니다 강력히!!!
2 좋아요
3 좋아요
4 추천하지만 아쉬운 점
5 최고예요
6 최고예요
7 소음이 좀 있긴하지만 청소 잘함 앱을 쓰지 않아서인
8 최고예요
9 최고예요
10 좋아요
11 스마트한 청소기
12 최고예요
13 최고예요
14 에브리봇엣지 사용하면서 너무좋게잘쓰고있어서 이제품도추가
15 턱은 못 넘지만 청소 잘 되고 물걸레질도 잘 되니까 너
16 최고예요
17 구매해서 선물해 드렸어요너무 좋아하시네요빅스마일데이...
18 최고예요
19 최고예요
20 지금 맵 설정 중인데 상당히 오래걸려 충전하러중단해버리...
21 좋아요
22 추천합니다 강력히!!!
23 좋아요
24 추천하지만 아쉬운 점
25 최고예요
26 최고예요
27 소음이 좀 있긴하지만 청소 잘함 앱을 쓰지 않아서인
28 최고예요
29 최고예요
30 좋아요
31 스마트한 청소기
32 최고예요
33 최고예요
34 에브리봇엣지 사용하면서 너무좋게잘쓰고있어서 이제품도추가
35 턱은 못 넘지만 청소 잘 되고 물걸레질도 잘 되니까 너
36 최고예요
37 구매해서 선물해 드렸어요너무 좋아하시네요빅스마일데이...
38 최고예요
39 최고예요
40 지금 맵 설정 중인데 상당히 오래걸려 충전하러중단해버리...
41 좋아요

 

 

데이터 프레임 형식 저장

review_df = pd.DataFrame(zip(review_list, star_list), columns=['title','star'])
review_df

 

Out[4]:

	title	star
0	추천합니다 강력히!!!	80점
1	최고예요	100점
2	반품했습니다. 제품은 집 구조가 원룸이거나 단순하지 않...	20점
3	최고예요	100점
4	좋아요	80점
...	...	...
405	좋아요	80점
406	최고예요	100점
407	우리집 효도쟁이 청소도 잘되고 물걸레도 완전 대만족 가...	100점
408	만족스러워요	100점
409	ㅎㅎ 꼭 사세요! 애가 참 똑똑해요~ 고집은 쎄서 했던	100점

410 rows × 2 columns

 

 

똑같은 리뷰 제거

# 중복 문장 제거 함수 drop_duplicates
review_df.drop_duplicates(subset='title', inplace=True)

 

 

별점기반 등급 나누기 "group"

# 3등급 나누기

review_df['star']=review_df['star'].str.strip('점')  # 문장 중 '점' 인 단어 삭제 
review_df['star'] = pd.to_numeric(review_df['star'])  # to_numeric -> str를 숫자로 변경

def get_group(v):
    if v < 60:
        group = 3
    elif v < 100:
        group = 2
    else:
        group = 1
    return group


review_df["group"] = review_df["star"].apply(lambda v: get_group(v))
review_df

 

	title	star	group
0	추천합니다 강력히!!!	80	2
1	최고예요	100	1
2	반품했습니다. 제품은 집 구조가 원룸이거나 단순하지 않...	20	3
4	좋아요	80	2
5	친정어머니께 보내드리고 제가	100	1
...	...	...	...
192	배송이 생각보다 빠르고 좋습니다.가격대비 좋은 상품 ...	60	2
194	빠른배송 감사 합니다.저렴하게 잘 산것 같아요..수...	100	1
196	정말 청소가 편해졌어요	100	1
197	에브리봇3i	100	1
199	혼자 돌아다니면서 청소 잘하네요대만족입니다	100	1

101 rows × 3 columns

 

 

"label" 구분 위한 단어 뭉치 생성 (positive, negative)

 

from konlpy.tag import Hannanum
from konlpy.tag import Okt
import numpy as np
hunnanum = Hannanum()
t = Okt()

# list(map(lambda title: t.nouns(title), review_list))
han_noun_review = list(map(lambda title: hunnanum.nouns(title), review_list))
han_noun_review_1 = np.concatenate(han_noun_review).tolist()

 

 

워드 클라우드

f = open("words.txt", "at")
for code in range(len(han_noun_review_1)):
    f.writelines(f'{han_noun_review_1[code]} \n')

 

from wordcloud import WordCloud
from konlpy.tag import Twitter
from collections import Counter



# open으로 txt파일을 열고 read()를 이용하여 읽는다.
text = open('words.txt').read() 


twitter = Twitter()

# twitter함수를 통해 읽어들인 내용의 형태소를 분석한다.
sentences_tag = []
sentences_tag = twitter.pos(text) 

noun_adj_list = []


# tag가 명사이거나 형용사인 단어들만 noun_adj_list에 넣어준다.
for word, tag in sentences_tag:
    if tag in ['Noun' , 'Adjective']: 
        noun_adj_list.append(word)


# 가장 많이 나온 단어부터 40개를 저장한다.
counts = Counter(noun_adj_list)
tags = counts.most_common(40) 
font='Light.ttf'
# WordCloud를 생성한다.
# 한글을 분석하기위해 font를 한글로 지정해주어야 된다. macOS는 .otf , window는 .ttf 파일의 위치를
# 지정해준다. (ex. '/Font/GodoM.otf')

wc = WordCloud(font_path=font,background_color="white", max_font_size=60)
cloud = wc.generate_from_frequencies(dict(tags))


# 생성된 WordCloud를 test.jpg로 보낸다.
cloud.to_file('test.jpg')

 

<wordcloud.wordcloud.WordCloud at 0x275c2f440d0>

 

긍정 단어 텍스트 파일 가져오기

with open('positive.txt','w',encoding='UTF-8') as f:
    for po in positive1:
        f.write(po+'\n')

negative = review_df[review_df['group'] == 3].title.tolist()
negative1 = list(map(lambda title: hunnanum.nouns(title), negative))
negative1 = np.concatenate(negative1).tolist()
negative1

['반품',
 '제품',
 '집',
 '구조',
 '원룸',
 '단순',
 '않.',
 '최악',
 '별',
 '모서리만돌면서청소하고거실가운데는하지도못함쇼파밑에서']

 

부정 단어 텍스트 파일 불러오기

with open('negative.txt','w',encoding='UTF-8') as f:
    for po in negative1:
        f.write(po+'\n')

 

 

긍정, 부정 단어 직접 수정 후, 불러오기

 

with open("./negative.txt", encoding='utf-8') as neg:
  negative = neg.readlines()

negative = [neg.replace("\n", "") for neg in negative]

with open("./positive.txt", encoding='utf-8') as pos:
  positive = pos.readlines()

negative = [neg.replace("\n", "") for neg in negative]
positive = [pos.replace("\n", "") for pos in positive]

 

 

라벨붙이기

from tqdm import tqdm
import re

labels = []

title_data = list(review_df['title'])

for title in tqdm(title_data):
  clean_title = re.sub('[-=+,#/\?:^$.@*\"※~&%ㆍ!』\\‘|\(\)\[\]\<\>`\'…\"\“》]', '', title) 
  negative_flag = False
  label = 0
  for i in range(len(negative)):
    if negative[i] in clean_title:
      label = -1
      negative_flag = True
      print("negative 비교단어 : ", negative[i], "clean_title : ", clean_title) 
      break
  if negative_flag == False:
    for i in range(len(positive)):
      if positive[i] in clean_title:
        label = 1
        print("positive 비교단어 : ", positive[i], "clean_title : ", clean_title)
        break

  labels.append(label)

review_df['label'] = labels

 

 

100%|██████████████████████████████████████████████████████████████████████████████| 101/101 [00:00<00:00, 3283.99it/s]

 

positive 비교단어 :  추천 clean_title :  추천합니다 강력히
positive 비교단어 :  최고 clean_title :  최고예요
negative 비교단어 :  반품 clean_title :  반품했습니다 제품은 집 구조가 원룸이거나 단순하지 않
positive 비교단어 :  친정어머니 clean_title :  친정어머니께 보내드리고 제가
positive 비교단어 :  것 clean_title :  좋은것 같아요
positive 비교단어 :  것 clean_title :  청소영역을 스캔해서 빠짐없이 청소하는 것은 맘에 드네요
positive 비교단어 :  사용 clean_title :  흡입력은 만족 걸레는 아직 사용을 안해봐서 주방매
positive 비교단어 :  신세계 clean_title :  신세계를 맛보고 있습니다
positive 비교단어 :  와우 clean_title :  와우 판타스틱
negative 비교단어 :  최악 clean_title :  최악이에요
positive 비교단어 :  사용 clean_title :  잘 사용하고 있습니다
positive 비교단어 :  로봇청소기 clean_title :  로봇청소기 물걸레 겸용
positive 비교단어 :  사용 clean_title :  사용후기를 보고 기대반 의심반으로 구매했는데 완전 신
positive 비교단어 :  만족 clean_title :  만족합니다
positive 비교단어 :  추천 clean_title :  추천하지만 아쉬운 점
positive 비교단어 :  사용 clean_title :  도착하고 이틀 사용해봤어요아직 맵핑중이라 시간이 좀 
positive 비교단어 :  사용 clean_title :  지금 사용중이에요
positive 비교단어 :  신 clean_title :  청소를 시작합니다 하면서 혼자 돌아다니는 모습이 신기해
negative 비교단어 :  별 clean_title :  별로예요
positive 비교단어 :  청소 clean_title :  생각보다 잘쓰고 있습니다 34평아파트 걸레청소모드로
positive 비교단어 :  작동 clean_title :  작동이 안되요
positive 비교단어 :  편 clean_title :  편한건 좋으나 제가 직접할 때보단 오래 걸려요했던데
positive 비교단어 :  배송 clean_title :  배송은 아주 빠르고 정확하게 배송되었습니다디자인이 
positive 비교단어 :  부모님 clean_title :  부모님 사다드렸는데 정말 좋아하시네요 쫓아다니시면서 
positive 비교단어 :  통 clean_title :  보통이에요
positive 비교단어 :  물걸레 clean_title :  물걸레만 구매하려다가 공용으로 구매했는데 걸레가 얇고
positive 비교단어 :  추천 clean_title :  추천합니다
positive 비교단어 :  만족 clean_title :  생각보다 가동시간이 좀 짧은 느낌이지만 만족하고요
positive 비교단어 :  청소 clean_title :  정말 청소 잘하네요
positive 비교단어 :  로봇청소기 clean_title :  에브리봇 엣지물걸레로봇청소기 쓰다가 너무좋아서3ipop
positive 비교단어 :  가격대비 clean_title :  가격대비 정말 좋아요
positive 비교단어 :  시대 clean_title :  역시 시대가 좋네요
positive 비교단어 :  지 clean_title :  아직 넘어야 할산이 많네요어플 연동 오류가 있고 지도
positive 비교단어 :  청소 clean_title :  소음이 좀 있긴하지만 청소 잘함 앱을 쓰지 않아서인
positive 비교단어 :  처음 clean_title :  처음엔 지도 완성이 잘 안되서5번넘게 해서 지도완성
positive 비교단어 :  지 clean_title :  물통이랑 먼지통이랑 따로 분리되어 있어 3i po
positive 비교단어 :  청소 clean_title :  흡입청소는 잘하네요 옆에서 바람이 느껴져서 먼지가 흗
negative 비교단어 :  모서리만돌면서청소하고거실가운데는하지도못함쇼파밑에서 clean_title :  모서리만돌면서청소하고거실가운데는하지도못함쇼파밑에서
positive 비교단어 :  시간 clean_title :  청소시간이 반으로 줄었네요 자주 돌려주니 방안도 깨끗
positive 비교단어 :  청소 clean_title :  청소기
positive 비교단어 :  너 clean_title :  너무 좋아요
positive 비교단어 :  물걸레 clean_title :  물걸레 기능시 제자리 헛돌기를 합니다 일반 청소 기능
positive 비교단어 :  에브리봇 clean_title :  에브리봇 3i 엣지 쓰다가
positive 비교단어 :  소리 clean_title :  소리가 매우 시끄러워요
positive 비교단어 :  시간 clean_title :  처음에는 한곳만 여러번 닦아 적응하는데 시간이 걸렸는데
positive 비교단어 :  이모님 clean_title :  이모님의 도움을 많이 받고 있긴
positive 비교단어 :  빅스마일데 clean_title :  빅스마일데이 덕분에 너무 잘 샀어요
positive 비교단어 :  만족 clean_title :  만족
negative 비교단어 :  집 clean_title :  우리집 효도쟁이 청소도 잘되고 물걸레도 완전 대만족 가
positive 비교단어 :  만족 clean_title :  만족스러워요
negative 비교단어 :  집 clean_title :  ㅎㅎ 꼭 사세요 애가 참 똑똑해요 고집은 쎄서 했던
positive 비교단어 :  청소 clean_title :  스마트한 청소기
positive 비교단어 :  가성비 clean_title :  가성비굿
positive 비교단어 :  저 clean_title :  가격 저렴하게구입했어요소음은 큰편인데 청소 잘되는것
positive 비교단어 :  가성비 clean_title :  가성비 좋네요
negative 비교단어 :  집 clean_title :  역시 좋네요 처음에 집지도 그리는데헤매지만 내손 
positive 비교단어 :  걸레기능 clean_title :  잘 쓰고 있어요 걸레기능도 적
positive 비교단어 :  신 clean_title :  신통방통한 에브리봇 넘 맘에 들고 좋아요맞벌이부부들
positive 비교단어 :  정말정말 clean_title :  정말정말 좋아요
positive 비교단어 :  로봇청소기 clean_title :  로봇청소기
positive 비교단어 :  에브리봇 clean_title :  에브리봇 구입
positive 비교단어 :  시간 clean_title :  흡입력은마음에들고배터리시간이 짧아 중간에 충전찾아가는
negative 비교단어 :  제품 clean_title :  에브리봇엣지 사용하면서 너무좋게잘쓰고있어서 이제품도추가
positive 비교단어 :  저 clean_title :  가격 비교하다가 쿠폰으로 저렴하게 구매했어요 가격대비
positive 비교단어 :  만족 clean_title :  일단 디자인이나색상 만족스럽네요받고 충전중입니다
positive 비교단어 :  도착 clean_title :  빠르게 도착했어요 ㅎㅎ
positive 비교단어 :  지 clean_title :  먼지걱정이 없어졌네요 바닥이 깔끔하네요에브리이모 감사
positive 비교단어 :  도착 clean_title :  잘 도착했어요
positive 비교단어 :  물걸레 clean_title :  턱은 못 넘지만 청소 잘 되고 물걸레질도 잘 되니까 너
positive 비교단어 :  것 clean_title :  물걸레청소는 그닥인데 먼지청소는 잘되는것같아요
positive 비교단어 :  청소 clean_title :  청소걱정 끝이네요
positive 비교단어 :  로봇청소기 clean_title :  로봇청소기 들이니 삶의질이 다르네요 만족해요청소잘해요
positive 비교단어 :  깨끗 clean_title :  어머니가 너무너무 좋아하세요 걸레질 깨끗하게 됩니딘
positive 비교단어 :  구매 clean_title :  구매해서 선물해 드렸어요너무 좋아하시네요빅스마일데이
positive 비교단어 :  만족 clean_title :  조금 시끄럽긴하지만 청소잘하고 다니네요 만족합니다
positive 비교단어 :  동영상 clean_title :  동영상 업로드는 안되네요
positive 비교단어 :  만족 clean_title :  아주 똑똑하진 못하지만 만족해요 그래도 옛날보다는 많
negative 비교단어 :  집 clean_title :  좋아요 좋아 쿠폰까지 사용해서 득템 우리집 로봇이모님 
positive 비교단어 :  청소 clean_title :  생각보다 소리가 큼 청소기수준의 소음
positive 비교단어 :  살걸ㅠ clean_title :  진즉 살걸ㅠ
positive 비교단어 :  신세계 clean_title :  신세계네요
negative 비교단어 :  집 clean_title :  아직은 한번밖에 사용하지 않아 좋은지 잘 모르겠지만 집
positive 비교단어 :  청소 clean_title :  잘 작동되고 좋다네요청소만 잘되면 좋아요
positive 비교단어 :  물걸레 clean_title :  물걸레는 걍그런데 청소는 잘 하네요
positive 비교단어 :  물걸레 clean_title :  물걸레 청소기
positive 비교단어 :  물걸레 clean_title :  물걸레겸용으로 청소도잘되고 좋아요
positive 비교단어 :  지 clean_title :  지금 맵 설정 중인데 상당히 오래걸려 충전하러중단해버리
positive 비교단어 :  생각 clean_title :  배송이 생각보다 빠르고 좋습니다가격대비 좋은 상품 
positive 비교단어 :  저 clean_title :  빠른배송 감사 합니다저렴하게 잘 산것 같아요수
positive 비교단어 :  청소 clean_title :  정말 청소가 편해졌어요
positive 비교단어 :  에브리봇 clean_title :  에브리봇3i
positive 비교단어 :  만족 clean_title :  혼자 돌아다니면서 청소 잘하네요대만족입니다

 

생성된 라벨 빈도 분석

import matplotlib.pyplot as plt

review_df['group'].value_counts().plot(kind='bar')
plt.title('그룹화한거')
plt.show()

review_df['label'].value_counts().plot(kind='bar')
plt.title('라벨붙인거')
plt.show()

 

 

 

Train set: 무에서 유로 가기 위해 요구되는 필수 데이터

80%는 학습량으로!

우선 앞선 Lending Club, Pitney Bowes 게시글에도 나와있듯 데이터는 Train set 과 Test set으로 쪼개져 모델링에 활용됩니다. 여기서 둘의 비율은 일반적으로 train:test = 80: 20 으로 할당됩니다. 학습량의 비중이 월등히 높죠. 원래 시험을 앞두고 긴 시간동안 여러 교재를 아우르며 준비하지만, 시험은 짧은 시간 내 몇 페이지로 보는 경우가 비일비재하잖아요?

 

 

train test

from sklearn.model_selection import train_test_split

data = review_df['title']
target = review_df['label']

# train_test_split
x_train, x_test, label_train, label_test = train_test_split(data, target, test_size=0.2, shuffle=True, stratify=target, random_state=34)

 

x_train

 

194      빠른배송 감사 합니다.저렴하게 잘 산것 같아요..수...
4                                    좋아요
138                                 좋아요~
89                                    만족
81                          소리가 매우 시끄러워요
                     ...                
62       처음엔 지도 완성이 잘 안되서5번넘게 해서 지도완성...
175    아직은 한번밖에 사용하지 않아 좋은지 잘 모르겠지만 집...
171                                신세계네요
169                               진즉 살걸ㅠ
48     물걸레만 구매하려다가 공용으로 구매했는데, 걸레가 얇고...
Name: title, Length: 80, dtype: object

 

 

title 전처리 토큰화

stopwords = ['의', '가', '이', '은', '들', '는', '좀', '잘', '걍', '과', '도', '를', '으로', '자', '에', '와', '한', '하다']

 

 

from keras.preprocessing.text import Tokenizer
max_words = 35000
tokenizer = Tokenizer(num_words = max_words)
tokenizer.fit_on_texts(X_train)
X_train = tokenizer.texts_to_sequences(X_train)
X_test = tokenizer.texts_to_sequences(X_test)
#출처: https://somjang.tistory.com/entry/Keras기사-제목을-가지고-긍정-부정-중립-분류하는-모델-만들어보기 [솜씨좋은장씨:티스토리]

 

 

import numpy as np

y_train = []
y_test = []


for i in range(len(label_train)):
    if label_train.iloc[i] == 1:
        y_train.append([0, 0, 1])
    elif label_train.iloc[i] == 0:
        y_train.append([0, 1, 0])
    elif label_train.iloc[i] == -1:
        y_train.append([1, 0, 0])

for i in range(len(label_test)):
    if label_test.iloc[i] == 1:
        y_test.append([0, 0, 1])
    elif label_test.iloc[i] == 0:
        y_test.append([0, 1, 0])
    elif label_test.iloc[i] == -1:
        y_test.append([1, 0, 0])

y_train = np.array(y_train)
y_test = np.array(y_test)

 

 

pad_sequences

from keras.layers import Embedding, Dense, LSTM
from keras.models import Sequential
from keras_preprocessing.sequence import pad_sequences
max_len = 13 # 전체 데이터의 길이를 13로 맞춘다

X_train = pad_sequences(X_train, maxlen=max_len)
X_test = pad_sequences(X_test, maxlen=max_len)

 

 

validation_split=0.2 를 지정하기 위한 비율 계산

model = Sequential()
model.add(Embedding(max_words, 100))
model.add(LSTM(128))
model.add(Dense(3, activation='softmax'))

model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
history = model.fit(X_train, y_train, epochs=10, batch_size=10, validation_split=0.2)
print("\n Accuracy: %.4f" % (model.evaluate(X_train, y_train)[1]))

 

 

Epoch 1/10
7/7 [==============================] - 3s 107ms/step - loss: 0.8868 - accuracy: 0.7031 - val_loss: 0.6818 - val_accuracy: 0.8125
Epoch 2/10
7/7 [==============================] - 0s 19ms/step - loss: 0.6898 - accuracy: 0.8125 - val_loss: 0.7959 - val_accuracy: 0.8125
Epoch 3/10
7/7 [==============================] - 0s 19ms/step - loss: 0.6429 - accuracy: 0.8125 - val_loss: 0.6111 - val_accuracy: 0.8125
Epoch 4/10
7/7 [==============================] - 0s 20ms/step - loss: 0.5939 - accuracy: 0.8125 - val_loss: 0.6284 - val_accuracy: 0.8125
Epoch 5/10
7/7 [==============================] - 0s 20ms/step - loss: 0.5052 - accuracy: 0.8125 - val_loss: 0.7745 - val_accuracy: 0.8125
Epoch 6/10
7/7 [==============================] - 0s 20ms/step - loss: 0.5987 - accuracy: 0.8125 - val_loss: 0.6813 - val_accuracy: 0.8125
Epoch 7/10
7/7 [==============================] - 0s 19ms/step - loss: 0.4364 - accuracy: 0.8125 - val_loss: 0.7038 - val_accuracy: 0.8125
Epoch 8/10
7/7 [==============================] - 0s 18ms/step - loss: 0.3939 - accuracy: 0.8438 - val_loss: 0.7599 - val_accuracy: 0.8125
Epoch 9/10
7/7 [==============================] - 0s 20ms/step - loss: 0.3654 - accuracy: 0.8594 - val_loss: 0.7518 - val_accuracy: 0.8125
Epoch 10/10
7/7 [==============================] - 0s 18ms/step - loss: 0.2979 - accuracy: 0.8750 - val_loss: 1.1034 - val_accuracy: 0.8125
3/3 [==============================] - 0s 5ms/step - loss: 0.5072 - accuracy: 0.8625

 Accuracy: 0.8625

 

print('\n 테스트 정확도 : {:.2f}%'.format(model.evaluate(X_test,y_test)[1]*100))

 

 

1/1 [==============================] - 0s 25ms/step - loss: 0.8896 - accuracy: 0.8095

 테스트 정확도 : 80.95%

 

 

워드클라우드

f = open("words.txt", "at")
for code in range(len(han_noun_review_1)):
    f.writelines(f'{han_noun_review_1[code]} \n')

 

 

from wordcloud import WordCloud
from konlpy.tag import Twitter
from collections import Counter



# open으로 txt파일을 열고 read()를 이용하여 읽는다.
text = open('txt.txt').read() 


twitter = Twitter()

# twitter함수를 통해 읽어들인 내용의 형태소를 분석한다.
sentences_tag = []
sentences_tag = twitter.pos(text) 

noun_adj_list = []


# tag가 명사이거나 형용사인 단어들만 noun_adj_list에 넣어준다.
for word, tag in sentences_tag:
    if tag in ['Noun' , 'Adjective']: 
        noun_adj_list.append(word)


# 가장 많이 나온 단어부터 40개를 저장한다.
counts = Counter(noun_adj_list)
tags = counts.most_common(40) 
font='Light.ttf'
# WordCloud를 생성한다.
# 한글을 분석하기위해 font를 한글로 지정해주어야 된다. macOS는 .otf , window는 .ttf 파일의 위치를
# 지정해준다. (ex. '/Font/GodoM.otf')

wc = WordCloud(font_path=font,background_color="white", max_font_size=60)
cloud = wc.generate_from_frequencies(dict(tags))


# 생성된 WordCloud를 test.jpg로 보낸다.
cloud.to_file('test13.jpg')

 

 

C:\Users\82105\anaconda3\lib\site-packages\konlpy\tag\_okt.py:17: UserWarning: "Twitter" has changed to "Okt" since KoNLPy v0.4.5.
  warn('"Twitter" has changed to "Okt" since KoNLPy v0.4.5.')

<wordcloud.wordcloud.WordCloud at 0x275c2ed3fd0>

 

 

프로젝트를 하면서 느낀 점

 

프로젝트를 하면서 팀원들과 같이 협동하는 과정을 거쳐 좋은 경험이 되었습니다.

기존의 크롤링기법이 아닌 새로운 크롤링을 통해 다양한 기법을 배울 수 있었습니다.

배울 때는 이해가 되지 않던 것들이 실제 프로젝트를 통해 하면서 이해할 수 있었습니다.

분석을 하면서 다양한 시도를 통해 딥러닝과 더 가까워질수 있었던 시간이었던 같습니다.

자연어 처리가 어려웠으나 같이 문제를 찾을 수 있는 힘을 기를수 있어서 좋았습니다.