用sklearn的20newsgroups数据集做贝叶斯分类

好的，下面是使用sklearn中的20newsgroups数据集进行贝叶斯分类的示例代码：

from sklearn.datasets import fetch_20newsgroups
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.pipeline import make_pipeline

# 加载数据集
categories = ['alt.atheism', 'talk.religion.misc', 'comp.graphics', 'sci.space']
train_data = fetch_20newsgroups(subset='train', categories=categories)
test_data = fetch_20newsgroups(subset='test', categories=categories)

# 特征提取
vectorizer = TfidfVectorizer()
X_train = vectorizer.fit_transform(train_data.data)
X_test = vectorizer.transform(test_data.data)

# 训练模型
model = make_pipeline(TfidfVectorizer(), MultinomialNB())
model.fit(train_data.data, train_data.target)

# 预测
predicted = model.predict(test_data.data)

# 输出结果
for doc, category in zip(test_data.data, predicted):
    print('%r => %s' % (doc[:50], train_data.target_names[category]))

这个示例代码加载了20newsgroups数据集的四个类别（atheism、religion、graphics、space），使用TfidfVectorizer将文本转换为特征，并使用MultinomialNB训练模型。最后，我们使用训练好的模型对测试集进行预测，并输出结果。