svm情感分类python代码

当涉及到情感分类时，支持向量（Support Vector Machine，SVM）是一常用的机器学习算法。下面是一个使用Python实现情感分类的SVM代码示例：

# 导所需的库
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn import svm
from sklearn.metrics import classification_report

# 准备训练数据和标签
train_data = ["I love this movie", "This movie is great", "I really enjoyed this movie"]
train_labels = [1, 1, 1]  # 1代表正面情感

# 准备测试数据和标签
test_data = ["This movie is", "I hate this movie", "I didn't like this movie"]
test_labels = [0, 0, 0]  # 0代表负面情感

# 创建TF-IDF向量化器
vectorizer = TfidfVectorizer()

# 将训练数据向量化
train_vectors = vectorizer.fit_transform(train_data)

# 创建SVM分类器
classifier = svm.SVC()

# 训练SVM分类器
classifier.fit(train_vectors, train_labels)

# 将测试数据向量化
test_vectors = vectorizer.transform(test_data)

# 使用训练好的分类器进行预测
predictions = classifier.predict(test_vectors)

# 输出分类结果报告
print(classification_report(test_labels, predictions))

上述代码中，我们首先导入了所需的库，包括`TfidfVectorizer`用于将文本转换为TF-IDF特征向量，`svm`用于创建SVM分类器，`classification_report`用于生成分类结果报告。

然后，我们准备了训练数据和标签，其中训练数据是一些带有情感的句子，标签表示每个句子的情感类别（1代表正面情感，0代表负面情感）。

接下来，我们创建了一个TF-IDF向量化器，并使用训练数据对其进行拟合和转换，得到训练数据的特征向量表示。

然后，我们创建了一个SVM分类器，并使用训练数据和标签对其进行训练。

接着，我们将测试数据使用之前拟合好的向量化器进行转换，得到测试数据的特征向量表示。

最后，我们使用训练好的分类器对测试数据进行预测，并输出分类结果报告。