(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

(1)对中文新闻数据集进行分类，可以采用以下步骤：

首先，读取并加载数据集，如val.txt文件，获取新闻文本的内容。

然后，对文本进行预处理。这包括去除文本中的特殊符号、停用词等。可以使用Python库如re进行正则表达式处理，或者使用中文分词库如jieba进行分词。

接下来，将预处理后的文本表示为计数向量。这里可以使用特征提取方法中的CountVectorizer，将文本转换为词频向量表示。CountVectorizer会将文本自动分词，并计算每个词在文本中的出现次数。这将生成每篇新闻对应的词频向量。

然后，将词频向量作为特征输入到机器学习分类算法中。可以选择常见的分类算法如朴素贝叶斯、支持向量机(SVM)或者深度学习算法如卷积神经网络(CNN)进行训练和分类。训练集一般是通过其他数据集获取的带有标签的新闻数据，可以使用交叉验证等技术来评估模型的性能。

最后，通过分类器对预测集进行分类，并评估分类的准确性。可以使用常见的评估指标如准确率、精确率、召回率和F1值等来评估分类结果的好坏。

(2)特征提取方法使用CountVectorizer。CountVectorizer是一种常用的特征提取方法之一。它会把每个文档看作是一个词频向量，将文本中的每个词都视为一个特征，统计每个词在文本中出现的次数。

使用CountVectorizer特征提取方法需要进行以下步骤：

首先，导入CountVectorizer类，可以使用sklearn.feature_extraction.text中的CountVectorizer来实现。

然后，创建CountVectorizer的实例对象，可以通过设置参数来进行定制化。一般可以设置参数如max_df、min_df、max_features、ngram_range等，来控制提取的特征范围、提取的文本特征是否通过阈值筛选等。

接下来，使用fit_transform方法对预处理后的文本进行拟合和转换。fit_transform方法会根据提供的文本数据学习出特征空间，并将文本数据转换为特征向量表示。

最后，可以将转换后的特征向量作为输入，进行机器学习算法的训练和分类任务。