文本分类的SkLearn模型

以下是一个使用Sklearn模型进行文本分类的示例代码：

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.model_selection import train_test_split

# 读取数据
data = pd.read_csv('data.csv')

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data['text'], data['label'], test_size=0.2, random_state=42)

# 特征提取
vectorizer = CountVectorizer()
X_train_vectorized = vectorizer.fit_transform(X_train)
X_test_vectorized = vectorizer.transform(X_test)

# 训练模型
model = MultinomialNB()
model.fit(X_train_vectorized, y_train)

# 预测
y_pred = model.predict(X_test_vectorized)

# 模型评估
accuracy = (y_pred == y_test).mean()
print("Accuracy:", accuracy)

上述代码假设已经有一个名为data.csv的CSV文件，其中包含两列：text和label，分别表示文本内容和对应的标签。代码首先读取数据，然后使用train_test_split函数将数据划分为训练集和测试集。接下来，使用CountVectorizer将文本数据转换为向量表示，然后使用MultinomialNB训练朴素贝叶斯分类器。最后，使用训练好的模型对测试集进行预测，并计算准确率作为模型评估指标。