环境准备
安装必要的库：scikit-learn 和 numpy。通过以下命令安装：
pip install scikit-learn numpy
数据准备
使用简单的示例数据，包含文本和对应的标签（如正面/负面）：
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
# 示例数据：文本和标签（0=负面，1=正面）
texts = ["I love this movie", "This is terrible", "Great film", "Worst experience"]
labels = [1, 0, 1, 0]
特征提取
将文本转换为数值特征（词频向量）：
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(texts)
模型训练
使用朴素贝叶斯分类器进行训练：
model = MultinomialNB()
model.fit(X, labels)
预测新文本
对新输入的文本进行分类预测：
new_texts = ["Awesome movie", "Not good"]
X_new = vectorizer.transform(new_texts)
predictions = model.predict(X_new)
print("预测结果:", predictions)
# 输出示例：[1 0]
完整代码
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
# 数据
texts = ["I love this movie", "This is terrible", "Great film", "Worst experience"]
labels = [1, 0, , ]
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(texts)
model = MultinomialNB()
model.fit(X, labels)
new_texts = [, ]
X_new = vectorizer.transform(new_texts)
predictions = model.predict(X_new)
(, predictions)
