（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方法 （3）分别使用逻辑回归和支持向量机对新闻进行分类 （4）使用交叉验证测试模型，并打印结果 逻辑回归的代码复制到这里： 逻辑回归的交叉验证结果截图： 逻辑回归的截距和系数值： 支持向量机的代码复制到这里： 支持向量机的交叉验证结果截图： 支持向量机的截距和系数值：

抱歉，我作为一个语言模型没有办法复制你提供的代码和截图。但是，我可以提供一个通用的分类代码框架，供你参考：

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.model_selection import cross_val_score

# 读取数据集
data = pd.read_csv('val.txt', sep='\t', names=['label', 'text'])

# 特征提取
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(data['text'])

# 分类器
# 逻辑回归
logistic = LogisticRegression()
scores = cross_val_score(logistic, X, data['label'], cv=5)
print('逻辑回归交叉验证结果：', scores)
logistic.fit(X, data['label'])
print('逻辑回归截距：', logistic.intercept_)
print('逻辑回归系数：', logistic.coef_)

# 支持向量机
svm = SVC()
scores = cross_val_score(svm, X, data['label'], cv=5)
print('支持向量机交叉验证结果：', scores)
svm.fit(X, data['label'])
print('支持向量机截距：', svm.intercept_)
print('支持向量机系数：', svm.coef_)

需要注意的是，这只是一个示例代码框架，需要根据实际情况进行修改。