朴素贝叶斯文本分类代码

以下是一个简单的朴素贝叶斯文本分类的 Python 代码示例：

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

# 读取数据集
df = pd.read_csv('text_data.csv')

# 创建词袋模型
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(df['text'])

# 创建分类器
clf = MultinomialNB()
y = df['category']
clf.fit(X, y)

# 预测新文本的类别
new_text = ["This is a new text to classify"]
X_new = vectorizer.transform(new_text)
predicted_category = clf.predict(X_new)

print(predicted_category)

其中，text_data.csv 是包含文本和对应类别的数据集，例如：

text,category
This is a positive review,positive
This is a negative review,negative
This is a neutral review,neutral

代码首先使用 pandas 库读取数据集，然后使用 CountVectorizer 创建词袋模型，将文本转换为特征向量。接着，使用 MultinomialNB 创建朴素贝叶斯分类器，拟合数据集并预测新文本的类别。最后，输出预测结果。