Turkish Sentiment Analysis

Bu proje, Türkçe metinlere yönelik duygu analizi yapmak amacıyla geliştirilmiştir. Proje, verilen metinleri belirli kurallar ve model ile sınıflandırarak pozitif veya negatif olarak etiketler. Ayrıca, modelin performansını değerlendiren metrikler (doğruluk, kesinlik, anma, F1-ölçütü) hesaplanır ve sonuçlar bir dosyaya kaydedilir.

Özellikler

• Türkçe metinlerin pozitif veya negatif olarak sınıflandırılması.
• Modelin doğruluk, kesinlik, anma ve F1-ölçütü ile değerlendirilmesi.
• Karmaşıklık matrisi hesaplanması.
• Kullanıcı tarafından sağlanan verilerle modelin çalıştırılması.

Gereksinimler

Projenin çalışabilmesi için aşağıdaki Python kütüphanelerine ihtiyacınız olacak:

• pandas: Verilerin işlenmesi için.
• argparse: Komut satırı argümanlarını işlemek için.
• zemberek: Türkçe dil işleme kütüphanesi (eğer projenizde kullanılacaksa).

Proje ile birlikte gelen requirements.txt dosyasını kullanarak tüm bağımlılıkları kolayca kurabilirsiniz.

Bağımlılıkların Yüklenmesi

pip install -r requirements.txt

Gerekli Veriyi Sağlayın

Proje, Türkçe metinlerin bulunduğu bir Excel dosyasına ihtiyaç duyar. Bu dosya, her satırda bir cümle ve onun doğru sınıf etiketini (pozitif veya negatif) içermelidir. Örnek veri formatı aşağıdaki gibi olmalıdır:

Cümle	Sınıf
Bugün hava çok güzel.	pozitif
Bu hafta işler çok yoğun.	negatif
Harika bir film izledim!	pozitif
Yazın gelmesi çok sevindirici.	pozitif

Bu dosyayı /data dizinine eklemenizi tavsiye ederiz. Çünkü model çalıştırılırken dosya yolu parametre olarak girilecektir.

Modelin Çalıştırılması

python src/analyze.py <input_file_path> <output_file_path>

• <input_file_path>: Analiz edilecek Excel dosyasının yolu (örneğin data/yenidataset.xlsx).
• <output_file_path>: Sonuçların kaydedileceği çıktı dosyasının yolu (örneğin reports/results.txt).

Örnek Kullanım

python src/analyze.py data/yenidataset.xlsx reports/results.txt

Sonuçları İnceleme

Model çalıştıktan sonra, sonuçlar belirtilen çıktı dosyasına yazılacaktır. Dosya, her bir cümle için tahmin edilen sınıf ve sebebi içerecek şekilde düzenlenmiştir. Ayrıca, modelin genel performansı (doğruluk, kesinlik, anma, F1-ölçütü) da özet olarak eklenir.

Katkıda Bulunanlar

Bu proje, aşağıdaki kişilerin katkılarıyla şekillendi:

• Fatih Parmaksız - Model geliştirme ve kodlama
• Aytuğ Değer - İyileştirmeler ve testler
• Elif Pazarbaşı - Test verisi ekleme ve kural yazımı
• Zehra Aktürk - Raporlama
• Melike Badem - Sunum hazırlama

Lisans

Bu proje MIT Lisansı ile lisanslanmıştır. Daha fazla bilgi için LICENSE dosyasına bakabilirsiniz.

Teşekkürler!