文本分类 - 你能做什么 vs 你的能力是什么？

文本分类是指将文本按照其所属的类别进行分类的任务。在这个例子中，我们可以将文本划分为两类：一个是“你能做什么”，另一个是“你的能力是什么”。

下面是一个使用Python中的机器学习库scikit-learn来进行文本分类的示例代码：

import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 定义训练数据
texts = [
    "你能做什么",
    "你的能力是什么",
    "你能干什么",
    "你擅长什么",
    "你的技能是什么",
    "你会什么",
]

labels = [
    "你能做什么",
    "你的能力是什么",
    "你能做什么",
    "你能做什么",
    "你的能力是什么",
    "你能做什么",
]

# 将文本转化为向量表示
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(texts)
y = np.array(labels)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
model = SVC()
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率:", accuracy)

# 对新的文本进行分类预测
new_text = "你能干什么"
new_text_vector = vectorizer.transform([new_text])
predicted_label = model.predict(new_text_vector)
print("预测类别:", predicted_label)

在这个示例中，我们使用了词袋模型(Bag of Words)来表示文本，通过计算每个词在文本中出现的频率来构建特征向量。然后使用SVM分类器进行训练和预测。最后打印出准确率和对新文本的分类预测结果。

请注意，这只是一个简单的示例，实际应用中可能需要更多的预处理步骤和特征工程来提高分类的准确性。