Hier is een voorbeeld van een Python-script dat sentimentanalyse uitvoert op Nederlandse tekst met behulp van de library `transformers` en een voorgetraind model dat Nederlands ondersteunt, bijvoorbeeld van Hugging Face. **Benodigde libraries:** - `transformers` (voor toegang tot voorgetrainde taalmodellen) - `torch` (voor ondersteuning van de modellen) **Installatie:** ```bash pip install transformers torch ``` **Uitleg:** We gebruiken hier een model dat getraind is voor sentimentanalyse op het Nederlands, zoals "nlptown/bert-base-multilingual-uncased-sentiment". Dit model classificeert teksten in sentimenten zoals 1 ster (negatief) tot 5 sterren (positief). **Script:** ```python from transformers import pipeline # Laad de sentimentanalyse pipeline met een Nederlands model sentiment_analyzer = pipeline("sentiment-analysis", model="nlptown/bert-base-multilingual-uncased-sentiment") # Voorbeeldtekst tekst = "De Nederlandse regering kondigde vandaag nieuwe maatregelen aan om klimaatverandering tegen te gaan." # Voer sentimentanalyse uit resultaat = sentiment_analyzer(tekst) # Resultaat tonen print(f"Tekst: {tekst}") print(f"Sentiment: {resultaat[0]['label']}, Score: {resultaat[0]['score']:.2f}") ``` **Wat doet dit script?** - Het laadt een voorgetraind model dat geschikt is voor sentimentanalyse in meerdere talen, inclusief Nederlands. - Het voert de analyse uit op de opgegeven tekst. - Het geeft de voorspelde sentimentcategorie en een bijbehorende score weer. **Voorbeeldoutput:** ``` Tekst: De Nederlandse regering kondigde vandaag nieuwe maatregelen aan om klimaatverandering tegen te gaan. Sentiment: 3 sterren, Score: 0.75 ``` **Aanvullende uitleg:** - De `pipeline` maakt het makkelijk om NLP-taken uit te voeren zonder dat je zelf de onderliggende modellen hoeft te coderen. - Voor andere taken zoals tekstclassificatie of named entity recognition kun je vergelijkbare pipelines gebruiken, bijvoorbeeld `"ner"` voor named entity recognition. Wil je bijvoorbeeld named entity recognition uitvoeren, dan kan dat zo: ```python ner_pipeline = pipeline("ner", model="Davlan/xlm-roberta-base-ner-hrl") resultaten = ner_pipeline(tekst) for ent in resultaten: print(ent) ``` **Kort samengevat:** - Libraries: `transformers`, `torch` - Methode: gebruik van voorgetrainde taalmodellen via `pipeline` - Inputtekst: "De Nederlandse regering kondigde vandaag nieuwe maatregelen aan om klimaatverandering tegen te gaan." Dit is een praktische manier om Nederlandse tekst te verwerken met NLP-modellen.

Zeker, ik help je graag een Python-script te schrijven voor sentimentanalyse van Nederlandse tekst. Hier is een complete uitleg: ## Gebruikte Libraries - `textblob` (met Nederlandse taalondersteuning) - `textblob-nl` (specifiek voor Nederlandse verwerking) - `nltk` (voor preprocessing) ## Installatie ```bash pip install textblob python -m textblob.download_corpora pip install textblob-nl ``` ## Python Script ```python from textblob import TextBlob from textblob_nl import PatternAnalyzer def analyseer_sentiment_nederlands(tekst): """ Voert sentimentanalyse uit op Nederlandse tekst Retourneert polariteit (-1 tot 1) en subjectiviteit (0 tot 1) """ blob = TextBlob(tekst, analyzer=PatternAnalyzer()) sentiment = blob.sentiment return { 'polariteit': sentiment[0], 'subjectiviteit': sentiment[1], 'oordeel': 'positief' if sentiment[0] > 0 else 'negatief' if sentiment[0] < 0 else 'neutraal' } # Voorbeeldgebruik input_tekst = "De Nederlandse regering kondigde vandaag nieuwe maatregelen aan om klimaatverandering tegen te gaan." resultaat = analyseer_sentiment_nederlands(input_tekst) print(f"Input tekst: {input_tekst}") print(f"Polariteit: {resultaat['polariteit']:.3f}") print(f"Subjectiviteit: {resultaat['subjectiviteit']:.3f}") print(f"Oordeel: {resultaat['oordeel']}") ``` ## Uitleg Methoden - **TextBlob met PatternAnalyzer**: Specifiek getraind voor Nederlandse taalpatronen - **Polariteit**: Meet hoe positief/negatief de tekst is (-1.0 tot +1.0) - **Subjectiviteit**: Meet hoe opinionated de tekst is (0.0 objectief tot 1.0 subjectief) ## Voorbeeld Output ``` Input tekst: De Nederlandse regering kondigde vandaag nieuwe maatregelen aan om klimaatverandering tegen te gaan. Polariteit: 0.250 Subjectiviteit: 0.600 Oordeel: positief ``` ## Alternatieve Libraries Voor meer geavanceerde NLP-taken in het Nederlands: - `spacy` (met Nederlandse model `nl_core_news_sm`) - `transformers` (voor BERT-modellen getraind op Nederlands) - `flair` (voor state-of-the-art NLP) Dit script geeft je een goede basis voor sentimentanalyse van Nederlandse teksten!