汽车满意度数据集 朴素贝叶斯 python代码

以下是一个简单的朴素贝叶斯分类器的Python代码，用于汽车满意度数据集的分类：

import pandas as pd
from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 读取数据集
data = pd.read_csv('car_satisfaction.csv')

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(data['reviews'], data['satisfaction'], test_size=0.2, random_state=42)

# 特征提取
vectorizer = CountVectorizer()
X_train = vectorizer.fit_transform(X_train)
X_test = vectorizer.transform(X_test)

# 训练模型
clf = MultinomialNB()
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

这个代码使用了sklearn库中的MultinomialNB朴素贝叶斯分类器，CountVectorizer特征提取器和train_test_split函数。首先读入汽车满意度数据集，然后将其划分为训练集和测试集。接下来使用CountVectorizer将文本数据转换为数字特征向量，然后使用MultinomialNB训练模型并预测测试集。最后计算预测准确率。