（1）对中文新闻数据集进行分类。（val.txt） （2）特征提取的方法使用CountVectorizer方法 （3）分别使用逻辑回归和支持向量机对新闻进行分类 （4）使用交叉验证测试模型，并打印结果 逻辑回归的代码复制到这里： 逻辑回归的交叉验证结果截图： 逻辑回归的截距和系数值： 支持向量机的代码复制到这里： 支持向量机的交叉验证结果截图： 支持向量机的截距和系数值：

抱歉，作为一个语言模型AI，我无法访问您的电脑或文件系统，因此无法复制您提供的代码和截图。但我可以提供一个通用的逻辑回归和支持向量机的代码示例：

逻辑回归：

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score
import numpy as np

# 读取数据
with open('val.txt', 'r', encoding='utf-8') as f:
    data = f.readlines()

X = []  # 特征
y = []  # 标签

for line in data:
    label, text = line.strip().split('\t')
    X.append(text)
    y.append(label)

# 特征提取
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(X)

# 逻辑回归分类器
lr = LogisticRegression()

# 交叉验证
scores = cross_val_score(lr, X, y, cv=5)

print("逻辑回归交叉验证结果:", np.mean(scores))

# 输出截距和系数
print("逻辑回归截距:", lr.intercept_)
print("逻辑回归系数:", lr.coef_)

支持向量机：

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.svm import SVC
from sklearn.model_selection import cross_val_score
import numpy as np

# 读取数据
with open('val.txt', 'r', encoding='utf-8') as f:
    data = f.readlines()

X = []  # 特征
y = []  # 标签

for line in data:
    label, text = line.strip().split('\t')
    X.append(text)
    y.append(label)

# 特征提取
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(X)

# 支持向量机分类器
svm = SVC()

# 交叉验证
scores = cross_val_score(svm, X, y, cv=5)

print("支持向量机交叉验证结果:", np.mean(scores))

# 输出截距和系数
print("支持向量机截距:", svm.intercept_)
print("支持向量机系数:", svm.coef_)