🧠 Análisis de sentimientos en reseñas de IMDb

Este proyecto implementa un pipeline completo de Procesamiento de Lenguaje Natural (PLN) y Machine Learning para analizar reseñas de películas extraídas de IMDb.
El objetivo es clasificar automáticamente las reseñas como positivas o negativas a partir del texto, empleando técnicas estadísticas y de aprendizaje supervisado.

---

⚙️ Instalación y requisitos

🔹 Requisitos previos

• Python 3.9 o superior
• pip actualizado (python -m pip install --upgrade pip)
• Entorno virtual recomendado (venv o conda)

🔹 Clonar el repositorio

git clone https://github.com/<TU_USUARIO>/imdb-sentiment-analysis.git
cd imdb-sentiment-analysis

🔹 Instalar dependencias

pip install -r requirements.txt

🔹 Descargar modelo de spaCy

python -m spacy download en_core_web_sm

---

🚀 Ejecución y uso

🔸 1. Preprocesamiento y modelado

Ejecuta el pipeline principal (entrenamiento y evaluación del modelo):

python src/modeling_04.py

Los resultados (métricas, curvas ROC, matriz de confusión y CSVs de salida) se guardarán automáticamente en la carpeta output/.

🔸 2. Visualización de resultados

Para generar las visualizaciones y tablas de apoyo:

python src/visualization_06.py

Esto creará:

• prediction_distribution.png
• probability_histogram.png
• wordcloud_positive.png
• wordcloud_negative.png
• word_freq_for_tableau.csv

en la carpeta output/.

🔸 3. Webapp local

El proyecto incluye una webapp simple para probar el modelo de manera interactiva.

Desde la raíz del proyecto:

python deployment/app.py

Luego abre tu navegador en:

http://127.0.0.1:8000

Desde allí podrás introducir reseñas y obtener la predicción en tiempo real.

---

📊 Resultados y Dashboard

Los resultados del modelo incluyen:

• Matriz de confusión normalizada
• Curva ROC y AUC
• Distribución de predicciones
• Nubes de palabras de reseñas positivas y negativas

Además, se ha creado un dashboard interactivo en Tableau Public para la exploración visual de los resultados.

👉 Ver Dashboard en Tableau Public

---

🧩 Estructura del proyecto

.
├── data/                  # Datos originales y preprocesados
├── deployment/            # Webapp (app.py)
├── models/                # Modelos y pipelines entrenados
├── output/                # Resultados, métricas y visualizaciones
├── src/                   # Scripts principales del pipeline
│   ├── preprocessing_02.py
│   ├── modeling_04.py
│   └── visualization_06.py
├── tests/                 # Pruebas unitarias
├── requirements.txt
├── LICENSE
└── README.md

---

🧠 Tecnologías utilizadas

• Python 3.9+
• spaCy – Tokenización y lematización
• scikit-learn – Modelado y evaluación
• pandas, numpy – Manipulación de datos
• seaborn, matplotlib, wordcloud – Visualización
• Flask – Webapp interactiva
• Tableau Public – Visualización de resultados

---

📚 Licencia y dataset

Este proyecto utiliza el dataset IMDb Large Movie Review Dataset introducido por Maas et al. (2011).
Por favor, cite el trabajo original si reutiliza el dataset o los resultados asociados.

Referencia obligatoria:

Maas, Andrew L., Daly, Raymond E., Pham, Peter T., Huang, Dan, Ng, Andrew Y., and Potts, Christopher.
Learning Word Vectors for Sentiment Analysis.
Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies (ACL-HLT 2011), Portland, Oregon, USA.
pp. 142–150.
http://www.aclweb.org/anthology/P11-1015

Este dataset se distribuye únicamente con fines educativos y de investigación.