贝叶斯文本分类代码

以下是一个简单的贝叶斯文本分类的Python代码示例：

import math

class NaiveBayesClassifier:
    def __init__(self, classes):
        self.classes = classes
        self.num_classes = len(classes)
        self.vocab = set()
        self.class_word_count = [{} for _ in range(self.num_classes)]
        self.class_doc_count = [0 for _ in range(self.num_classes)]
        self.total_docs = 0
    
    def train(self, documents, labels):
        for doc, label in zip(documents, labels):
            words = doc.split()
            self.class_doc_count[label] += 1
            self.total_docs += 1
            for word in words:
                self.vocab.add(word)
                if word not in self.class_word_count[label]:
                    self.class_word_count[label][word] = 0
                self.class_word_count[label][word] += 1
    
    def predict(self, document):
        words = document.split()
        scores = [0 for _ in range(self.num_classes)]
        for i in range(self.num_classes):
            # Prior probability
            scores[i] = math.log(self.class_doc_count[i] / self.total_docs)
            for word in words:
                # Likelihood probability
                count = self.class_word_count[i].get(word, 0) + 1
                total = sum(self.class_word_count[i].values()) + len(self.vocab)
                scores[i] += math.log(count / total)
        # Return the index of the class with the highest score
        return scores.index(max(scores))

在这个实现中，我们首先在`__init__`方法中初始化了一些变量和数据结构，包括类别列表、每个类别的词计数、每个类别的文档计数、词汇表和总文档数。`train`方法接收一个文档列表和一个标签列表，并用它们来更新类别的计数和词计数。`predict`方法接收一个文档字符串，并计算它属于每个类别的概率得分，然后返回得分最高的类别的索引。

在实际使用中，我们可以根据需要调整和扩展这个基本实现。例如，可以添加平滑技术来处理未出现在训练集中的词汇，或者使用更复杂的特征表示来表示文档。