朴素贝叶斯-自然语言处理

朴素贝叶斯是一种常用的机器学习算法，特别适用于自然语言处理任务。它基于贝叶斯定理和特征条件独立假设，通过计算给定特征条件下的类别概率来进行分类。

在自然语言处理中，朴素贝叶斯可以用于文本分类、情感分析、垃圾邮件过滤等任务。它将文本表示为特征向量，其中每个特征表示一个词汇或其他语言相关的属性。然后，通过计算每个类别下的特征概率，可以预测新文本属于哪个类别。

下面是一个使用朴素贝叶斯进行文本分类的示例：

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

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

# 特征提取
vectorizer = CountVectorizer()
train_features = vectorizer.fit_transform(train_texts)

# 训练朴素贝叶斯分类器
classifier = MultinomialNB()
classifier.fit(train_features, train_labels)

# 预测新文本的类别
test_text = 'This movie is amazing'
test_feature = vectorizer.transform([test_text])
predicted_label = classifier.predict(test_feature)

print('Predicted label:', predicted_label)  # 输出：Predicted label: ['positive']

在上面的示例中，我们首先准备了一些训练数据，包括文本和对应的类别标签。然后，使用`CountVectorizer`将文本转换为特征向量。接下来，使用`MultinomialNB`训练一个朴素贝叶斯分类器，并使用训练好的模型对新文本进行分类预测。