朴素贝叶斯同概率

朴素贝叶斯分类器是一种基于贝叶斯定理的机器学习算法，用于进行文本分类、垃圾邮件过滤、情感分析等任务。下面是一个使用Python中的scikit-learn库实现朴素贝叶斯分类器的代码示例：

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

# 定义训练数据集和对应的标签
train_data = ["I love this movie",
              "This movie is very good",
              "I hate this movie",
              "This movie is terrible"]
train_labels = ["positive", "positive", "negative", "negative"]

# 创建特征提取器
vectorizer = CountVectorizer()

# 将文本数据转换为特征向量
train_features = vectorizer.fit_transform(train_data)

# 创建朴素贝叶斯分类器对象
classifier = MultinomialNB()

# 训练分类器
classifier.fit(train_features, train_labels)

# 预测新的文本数据
test_data = ["I like this movie"]
test_features = vectorizer.transform(test_data)
predicted_labels = classifier.predict(test_features)

# 输出预测结果
print(predicted_labels)

在上面的代码示例中，首先定义了一个训练数据集和对应的标签，然后使用CountVectorizer将文本数据转换为特征向量。接下来，创建了一个MultinomialNB对象作为朴素贝叶斯分类器，并使用fit方法对其进行训练。最后，使用transform方法将新的文本数据转换为特征向量，并使用predict方法进行预测，得到分类结果。