朴素贝叶斯调包实例python代码

以下是一个朴素贝叶斯分类器的调包实例Python代码：

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

# 生成训练数据和对应的标签
train_data = ['This is a good movie', 'This is a bad movie', 'The plot of the movie is boring']
train_labels = ['positive', 'negative', 'negative']

# 将文本转换成向量
cv = CountVectorizer()
train_vectors = cv.fit_transform(train_data)

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

# 测试数据
test_data = ['This movie is good', 'This movie is bad']
test_vectors = cv.transform(test_data)

# 进行预测
predicted_labels = clf.predict(test_vectors)

# 计算准确率
true_labels = ['positive', 'negative']
accuracy = accuracy_score(true_labels, predicted_labels)
print('Accuracy:', accuracy)

说明：

1. 首先生成训练数据和对应的标签。
2. 将文本转换成向量，这里使用的是CountVectorizer。
3. 训练朴素贝叶斯分类器，这里使用的是MultinomialNB。
4. 对测试数据进行向量化，并进行预测。
5. 计算准确率，这里使用的是accuracy_score函数。