MATNLARNI TAHLIL QILISH ORQALI HISSIYOT VA EMOTSIONAL RANGLANISHINI ANIQLASH ALGORITMINI TADBIQ QILISH VA ISHLAB CHIQISH

Аннотация

This article presents the development and implementation of an interactive web application for sentiment and emotional analysis of textual data using machine learning algorithms. The application leverages the Flask framework to analyze user comments from the YouTube platform, retrieving data in real-time via the YouTube Data API. Training data is sourced from a GitHub repository, and classification is performed using SVM, Random Forest, Logistic Regression, Gradient Boosting, and Naive Bayes algorithms from the scikit-learn library. Comments are classified as positive, negative, or neutral, with results presented in a visual tabular format. The performance of the algorithms is evaluated based on accuracy, precision, recall, and F1-score metrics. The proposed approach demonstrates high efficiency in the automated analysis of social media data. Keywords. Sentiment analysis, machine learning, YouTube comments, Flask, scikit-learn, YouTube Data API, GitHub, text analysis, emotional classification, web application. Аннотация. Данная статья представляет разработку интерактивного веб- приложения для анализа текстовых данных с целью определения сентимента и https://scientific-jl.com 2 7 5 63-son_6-to’plam_Iyun-2025 ISSN:3030- 3 6 1 3 T A D Q I Q O T L A R jahon ilmiy – metodik jurnali эмоциональной окраски на основе алгоритмов машинного обучения. Приложение использует фреймворк Flask для анализа комментариев пользователей на платформе YouTube, загружая данные в реальном времени через YouTube Data API. Обучающие данные извлекаются из репозитория GitHub, а для классификации применяются алгоритмы SVM, Random Forest, Логистическая регрессия, Градиентный бустинг и Наивный Байес из библиотеки scikit-learn. Комментарии классифицируются как положительные, отрицательные или нейтральные, а результаты отображаются в виде визуальной таблицы. Эффективность алгоритмов оценивается по метрикам точности, прецизионности, полноты и F1-меры. Предложенный подход демонстрирует высокую эффективность в автоматизированном анализе данных социальных сетей. Ключевые слова. Анализ сентимента, машинное обучение, комментарии YouTube, Flask, scikit-learn, YouTube Data API, GitHub, анализ текста, эмоциональная классификация, веб-приложение. Introduction (Kirish). Zamonaviy raqamli dunyoda ijtimoiy media platformalari foydalanuvchilarning fikr-mulohazalari va his-tuyg‘ularini aks ettiruvchi ulkan matnli ma’lumotlar manbai sifatida muhim o‘rin tutmoqda. YouTube kabi platformalar foydalanuvchi sharhlari orqali jamoatchilikning turli masalalar bo‘yicha emotsional munosabatlarini tahlil qilish imkonini beradi. Hissiylik tahlili matnli ma’lumotlarni ijobiy, salbiy yoki neytral deb tasniflash orqali ushbu ma’lumotlarni tizimli o‘rganishga yordam beradi, bu marketing, ijtimoiy tadqiqotlar va brend monitoringi kabi sohalarda keng qo‘llaniladi [1, 2]. Ushbu maqola YouTube sharhlarini real vaqt rejimida tahlil qilish uchun Flask freymvorki va mashinaviy o‘qitish algoritmlariga asoslangan interaktiv veb-ilova ishlab chiqishni taqdim etadi. O‘quv ma’lumotlari GitHub repositoriyidan olinadi, YouTube Data API sharhlarni avtomatlashtirilgan yuklashni ta’minlaydi. Scikit-learn kutubxonasi yordamida SVM, Random Forest, Logistic Regression, Gradient Boosting va Multinomial Naive Bayes algoritmlari qo‘llaniladi, ularning samaradorligi aniqlik, aniqlik darajasi, to‘liqlik va F1 ko‘rsatkichlari asosida baholanadi. Tadqiqotning yangiligi o‘zbek tilidagi sharhlar uchun moslashtirilgan hissiylik tahlili va Flask’ning mashinaviy o‘qitish bilan samarali integratsiyasida namoyon bo‘ladi. Maqola ijtimoiy media ma’lumotlarini avtomatlashtirilgan tahlil qilishning samaradorligini ko‘rsatib, ko‘p tilli tahlil va chuqur o‘qitish usullarini qo‘llash kabi kelgusidagi tadqiqotlar uchun asos yaratadi. Methodology (Adabiyotlar tahlili va metodlar). Hissiylik tahlili tabiiy tillarni qayta ishlash sohasida muhim yo‘nalish sifatida e’tirof etilib, ijtimoiy media platformalarida foydalanuvchilarning fikr-mulohazalarini tushunishda asosiy vosita https://scientific-jl.com 2 7 6 63-son_6-to’plam_Iyun-2025 ISSN:3030- 3 6 1 3 T A D Q I Q O T L A R jahon ilmiy – metodik jurnali bo‘lib xizmat qilmoqda. Pang va Lee o‘z ishlarida hissiylik tahlilining mashinaviy o‘qitish usullari bilan yuqori samaradorlikka ega ekanligini ko‘rsatib, ijtimoiy media kontekstidagi ahamiyatini ta’kidladilar [1]. Liu bu metodning biznes va marketing sohasidagi amaliy qiymatini yoritdi [2]. Vapnik tomonidan ishlab chiqilgan Support Vector Machine (SVM) algoritmi yuqori o‘lchovli ma’lumotlar bilan ishlashda samaradorligi bilan ajralib, matn tasniflashda keng qo‘llanildi [3]. Breiman taklif qilgan Random Forest algoritmi shovqinli ma’lumotlarga chidamliligi tufayli yuqori aniqlikni ta’minlaydi [4]. Logistic Regression va Gradient Boosting tasniflashning chiziqli va chiziqli bo‘lmagan muammolarini hal qilishda muvaffaqiyatli, Multinomial Naive Bayes esa matnli ma’lumotlarni ehtimollarga asoslangan soddaligi bilan tasniflay