svm 情感分类 python

以下是使用Python中的SVM算法进行情感分类的示例代码：

from sklearn import svm
from sklearn.feature_extraction.text import TfidfVectorizer

# 准备训练数据
train_data = ['I love this movie', 'This movie is great', 'I hate this movie', 'This movie is terrible']
train_labels = ['positive', 'positive', 'negative', 'negative']

# 特征提取
vectorizer = TfidfVectorizer()
train_vectors = vectorizer.fit_transform(train_data)

# 训练SVM模型
clf = svm.SVC()
clf.fit(train_vectors, train_labels)

# 准备测试数据
test_data = ['I really like this movie', 'This movie is awful']
test_vectors = vectorizer.transform(test_data)

# 进行情感分类预测
predictions = clf.predict(test_vectors)

# 打印预测结果
for i in range(len(test_data)):
    print(test_data[i], ":", predictions[i])

该代码使用了sklearn库中的SVM算法进行情感分类。首先，我们准备了训练数据和对应的标签，其中训练数据是一些电影评论，标签分为"positive"和"negative"两类。然后，我们使用TfidfVectorizer对文本进行特征提取，将文本转换为向量表示。接下来，我们使用svm.SVC()初始化一个SVM分类器，并使用训练数据进行训练。最后，我们准备了测试数据，将其转换为向量表示，并使用训练好的模型进行情感分类预测。预测结果会打印出来，其中每个测试数据后面的冒号后面是预测的情感类别。