如何通过机器学习来理解情绪划分，保持积极心态

“思考再思考，然后采取行动”，这样的流程是不是听起来很熟悉？大多数人都是这样做的。

然而，这个思考流程很可能是一把双刃剑：在一些情形下，结果可能积极有用，但在另一些情形下，结果可能有害，甚至反噬自身。后者是我们都希望避免的。为了清晰了解情绪的划分，我编写了这个机器学习（ML）程序。

隔离阶段让我有机会探索自我并审视自己的思路。我不是一个沉思者，但是总会陷入纷乱的思绪之中，每当这时，我都需要理清思路。因此我要创建一个可以分析我的思考过程的ML模型。我用KNN算法判断应该避免的情绪，并通过可视化技术将我的情绪以图形展示，使我清晰地一览全貌。下面是我的做法：

作为开始，我创建了一个有不同想法的数据集;

使用KNN算法;

使用可视化技术;

最后，我学会了分割思考过程。

创建数据集

数据集由九种情绪（特征）组成：沮丧，悲伤，卑微，哭泣，痛苦，困惑，快乐，振奋和坚定。我将它们分为三类（标签）：积极，消极和中立。另外，我根据标签对这九种情绪/特征均按1-10的标准进行了评分。于是我创建了共150个案例。这是数据集的前几行：

使用KNN算法

在开始下一步之前，首先需要掌握一些监督式学习的ML基本术语：

为了训练、测试和评估一个模型，我们使用一系列案例;

这些案例包括与模型相关的特征和标签值;

特征是用于训练算法的基础值;

一旦训练部分结束，算法就能预测测试特征的正确标签值。

目标是正确预测标签。因此，受训算法的精度应该很高。如果不高，应使预测的标签值和原本标签之间的误差最小化。有了这些基础知识，让我们接着来了解KNN算法。KNN是监督式的机器学习算法，“K”是待分类点邻近值的个数 （例如，K=1、2、3等）。

左图中，KNN会将“？”归类为绿色星星，因为它最近。同样，在右例中KNN会将“？”归为黄色三角，因为这些三角形是最接近的多数情况。

新案例与已知案例之间的接近程度，可以使用任意距离函数，如欧几里得尺度和明可夫斯基尺度等体现。因此称之为最邻近。这样，KNN算法对新案例进行了分类。在这种特定模式中，KNN要正确预测各个情绪的分类。预处理所有数据后，我使用了KNN算法，然后计算出准确度为98.6%。这是显示相同的代码段：

使用可视化技术

我用数据可视化进行了分类，图表更便于理解，并创建了一种解决方案，用来预测我应该避免什么样的情绪才能保持一个积极的心态。这个技术将帮助我分辨标签类别（积极、消极和中性），为此我使用了“箱形图”。

结果

KNN生成的图表显示：

沮丧：算法将该特征归类为消极，这是显而易见的。但值得注意的是，在消极和中立之间有小部分的重叠。同时消极与中性界限也非常细微。这表明沮丧的情绪在某种程度上能够激励自己取得积极成果。综合考虑后，它被归类为消极标签。

困惑：这项结果很有意思，算法将其标记为积极。在分析之前，我曾避免自己有困惑情绪。也许这些摇摆不定的情绪也能产生积极的结果，也许它们给了我们时间来衡量形势的正反面。

悲伤：毫无疑问，这类情绪注定会产生消极的结果。

自卑：有时候头脑中会出现一些随机的想法。它们没有来由没有依据。算法将这些情绪归类为中性。

哭泣：与悲伤特征类似，该特征也被归为消极。但我认为它可能也有中立的一面，因为哭泣可以帮助平衡情绪。但如果依据图表来给定标签，很可能将其归类为积极而非中性。总体来看，它会引发消极情绪。

痛苦：根据模型的预测，痛苦是导致心情不好的最重要特征。因此，它是极其消极的。

振奋：KNN预测这个特征对我有益。但是，该图显示中性和消极情绪略有重叠。此外，令人吃惊的是，如果我们仅考虑这两个标签，消极标签的影响要比中性标签大得多。

坚定：该特征非常有趣。结果之间几乎没有任何区别，很难立即做出诠释，但是使用箱形图可以轻易地理解这一点。

箱形图提供了详尽的图示。图示清晰易懂，它们根据特征或思想给出了三种不同情绪或标签的清晰区分。它描绘的结果与KNN图或多或少相同，但它提供了更好的解释：

坚定：尽管看起来这一特征明显会被归类为积极，但是KNN图表根据数据显示了这三个标签之间的相似性，这种相似性可能会产生误导。看看箱型图你就会发现，积极的结果只比另外两个高一点。因此，该特征被归类为积极标签。

快乐：毋庸置疑，此特征为积极标签。但是，它对中性的四分位数远大于正数，如果仅考虑中性和负数，则中性要高于两者。

这个项目非常有趣。起初，我以为分类结果是简单且显而易见的，但完成后，我才意识到这不仅仅是个分类。一个ML程序不仅能预测人类可以轻松完成的特定任务，还可以对数据集深入分析。

虽然这只是仿人智能的开始，但却非常有趣，也许这就是‘机器学习’命名的由来。
责编AJX