（1）对中文新闻数据集进行分类。（val.txt） （2）特征提取的方法使用CountVectorizer方法 （3）分别使用逻辑回归和支持向量机对新闻进行分类 （4）使用交叉验证测试模型，并打印结果

好的，我来为您讲解一下实现过程。

首先，我们需要安装sklearn和jieba这两个库。

!pip install sklearn
!pip install jieba

然后，我们需要读取数据集，并进行分词处理。

import jieba

# 读取文件
with open('val.txt', 'r', encoding='utf-8') as f:
    lines = f.readlines()

# 分词处理
texts = []
labels = []
for line in lines:
    label, text = line.strip().split('\t')
    texts.append(' '.join(jieba.cut(text)))
    labels.append(label)

接着，我们使用CountVectorizer方法对文本进行特征提取。

from sklearn.feature_extraction.text import CountVectorizer

vectorizer = CountVectorizer()
X = vectorizer.fit_transform(texts)
y = labels

然后，我们使用逻辑回归和支持向量机两种方法进行分类。

from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC

# 逻辑回归
lr = LogisticRegression()
scores_lr = cross_val_score(lr, X, y, cv=5)

# 支持向量机
svm = SVC(kernel='linear')
scores_svm = cross_val_score(svm, X, y, cv=5)

最后，我们打印出两种方法的交叉验证结果。

print('逻辑回归交叉验证结果：', scores_lr)
print('逻辑回归交叉验证平均分：', scores_lr.mean())
print('支持向量机交叉验证结果：', scores_svm)
print('支持向量机交叉验证平均分：', scores_svm.mean())

这样，我们就完成了对中文新闻数据集进行分类的任务。