使用机器学习技术对文本进行情感分析是一个复杂但非常有用的任务。下面是一些步骤和考虑因素，以及可以达到的效果。

一、步骤和考虑因素

1. 数据收集和预处理：首先，需要收集足够多的带情感标签的文本数据。这可以来自社交媒体、论坛、评论等。然后对数据进行清洗、去噪、分词、去除停用词等预处理工作。

2. 特征提取：从预处理后的文本中提取有用的特征。这可以包括词频、词性、n-gram、TF-IDF等。这些特征将被用于训练模型。

3. 模型选择和训练：选择适合的机器学习算法或深度学习模型进行训练。常见的算法包括朴素贝叶斯、支持向量机、循环神经网络（RNN）、长短期记忆网络（LSTM）和Transformer等。

4. 模型评估和调优：使用交叉验证、准确率、召回率、F1分数等指标评估模型的性能。根据评估结果调整模型参数或更换模型。

5. 模型应用：将训练好的模型应用于新的文本数据，进行情感分析。

二、可以达到的效果

使用机器学习技术进行文本情感分析可以达到较高的准确率，具体效果取决于数据质量和模型选择。一般来说，对于一些简单的情感分析任务，如二分类（积极或消极），可以达到较高的准确率。对于更复杂的情感分析任务，如多分类或更细粒度的情感分析，可能需要更复杂的模型和更多的数据。

此外，情感分析还可以用于分析大规模的文本数据，以了解公众对某个话题或产品的情感倾向。这可以帮助企业了解消费者对产品的看法，以便进行市场分析和产品改进。在社交媒体分析中，情感分析可以帮助了解公众对某个事件或话题的反应和情绪变化。

总之，使用机器学习技术进行文本情感分析可以达到较高的准确率，并具有广泛的应用价值。然而，需要注意的是，情感分析是一个复杂的任务，受到多种因素的影响，如语言、文化、语境等。因此，在使用机器学习技术进行情感分析时，需要考虑这些因素，并进行充分的实验和验证。