朴素贝叶斯算法python实例

下面是一个朴素贝叶斯算法的 Python 实例，用于分类文本：

import numpy as np
from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer

# 生成训练数据
train_data = np.array([
    'Chinese Beijing Chinese', 'Chinese Chinese Shanghai',
    'Chinese Macao', 'Tokyo Japan Chinese'
])
train_labels = np.array(['c', 'c', 'c', 'j'])

# 使用 CountVectorizer 将文本转换为词袋向量
vectorizer = CountVectorizer()
train_features = vectorizer.fit_transform(train_data)

# 使用 MultinomialNB 训练模型
clf = MultinomialNB()
clf.fit(train_features, train_labels)

# 预测新数据
test_data = ['Chinese Chinese Chinese Tokyo Japan']
test_features = vectorizer.transform(test_data)
predicted_labels = clf.predict(test_features)

print(predicted_labels)  # 输出 ['c']

在上面的例子中，我们首先生成了训练数据和标签，其中训练数据是一些文本，标签是它们对应的类别。然后使用 `CountVectorizer` 将文本转换为词袋向量，即将每个文本看作一个向量，向量中每个元素表示一个词在文本中出现的次数。

接着使用 `MultinomialNB` 训练模型，该模型是朴素贝叶斯算法的一种变体，适用于多项式分布的数据，例如词袋向量。

最后使用训练好的模型预测新的数据，这里只有一个文本，预测它属于哪个类别。