到目前為止，我們學過 自動摘要、關鍵詞擷取、主題建模，這些方法能幫助我們理解文章的內容。
然而，在許多應用場景中，除了內容，我們更在乎的是情緒。
例如：
顧客評論：是正面還是負面？
社群留言：是支持還是反對？
股票新聞：市場情緒是樂觀還是悲觀？
這就是情感分析（Sentiment Analysis）的價值。

一、什麼是情感分析？
情感分析是一種自然語言處理（NLP）技術，用來判斷文本的情緒傾向。
常見的分類方式：
二元分類：正面 / 負面
三元分類：正面 / 中性 / 負面
多級分類：例如1~5顆星評分

二、情感分析的方法
基於詞典的方法
使用情感詞典來判斷句子情緒，例如 good, happy → 正面；bad, terrible → 負面。
優點：簡單、直觀。
缺點：難以處理語境與諷刺（例如 "This movie is so bad that it's good"）。

機器學習的方法
使用標註好的資料集（正面 / 負面評論），訓練分類模型。
常見演算法：Naive Bayes、SVM、Logistic Regression。

深度學習的方法
使用 RNN、LSTM 或 Transformer（例如 BERT）進行情感分類。
優點：能捕捉上下文與語境。
缺點：需要大量資料與計算資源。

三、Python實作：基於機器學習的情感分析
這裡我們用scikit-learn和簡單的資料來示範：

#安裝套件
#pip install scikit-learn

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

#範例資料
texts = [
"I love this product, it's amazing!",
"This is the worst movie I have ever seen.",
"The food was great and the service was excellent.",
"I am very disappointed, waste of money.",
"It's okay, not too good but not too bad."
]

labels = ["positive", "negative", "positive", "negative", "neutral"]

#向量化
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(texts)

#訓練模型（這裡簡化處理，實際應該拆成訓練集與測試集）
model = MultinomialNB()
model.fit(X, labels)

#測試
test_texts = ["The product is really good", "I hate this service"]
X_test = vectorizer.transform(test_texts)
predictions = model.predict(X_test)

print(predictions)

範例輸出：
['positive' 'negative']

可以看到模型已經能判斷情感傾向。

四、應用場景
顧客評論分析：幫助企業快速掌握顧客滿意度。
社群媒體監控：了解群眾對某事件的態度。
金融分析：用新聞與推文情緒預測市場走向。
客服輔助：快速識別顧客是否情緒激動，提供更好應對策略。

認識了情感分析（Sentiment Analysis）
學會了用Python訓練一個簡單的分類器來判斷文本情緒。
這項技術廣泛應用於商業、媒體、金融等領域，是NLP中非常重要的一環。