朴素贝叶斯类别关键词

以下是一个使用Python中的sklearn库实现朴素贝叶斯分类器的示例代码：

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

# 训练数据
train_data = ['I love this movie', 'This movie is great', 'I hate this movie']
train_labels = ['positive', 'positive', 'negative']

# 测试数据
test_data = ['I like this movie', 'This movie is terrible']

# 特征提取
vectorizer = CountVectorizer()
train_features = vectorizer.fit_transform(train_data)
test_features = vectorizer.transform(test_data)

# 创建朴素贝叶斯分类器
clf = MultinomialNB()
clf.fit(train_features, train_labels)

# 进行预测
predicted_labels = clf.predict(test_features)

# 打印结果
for i, label in enumerate(predicted_labels):
    print(test_data[i], '->', label)

在上述代码中，我们首先定义了训练数据和对应的标签，然后定义了测试数据。接着使用CountVectorizer进行特征提取，将文本数据转换为向量表示。然后，我们创建了一个MultinomialNB对象作为朴素贝叶斯分类器，使用fit方法将训练数据和标签传入进行训练。最后，使用predict方法对测试数据进行预测，并打印出结果。