朴素贝叶斯分类器，python代码示例，直接写代码

好的，下面是一个使用朴素贝叶斯分类器进行文本分类的 Python 代码示例：

# 导入需要的库
from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer

# 定义训练数据
# 这里的数据是一些短文本，每个文本都属于一个类别
# 每个文本用一个字符串表示
train_data = [
    ('这是一篇关于科学的文章', '科技'),
    ('这是一篇关于体育的文章', '体育'),
    ('这是一篇关于娱乐的文章', '娱乐')
]

# 将文本转换为数值特征
vectorizer = CountVectorizer()
X_train = vectorizer.fit_transform([text for text, _ in train_data])

# 将类别转换为数值
# 使用 sklearn 的 LabelEncoder 可以很方便地将类别转换为数值
from sklearn.preprocessing import LabelEncoder
label_encoder = LabelEncoder()
y_train = label_encoder.fit_transform([label for _, label in train_data])

# 创建朴素贝叶斯分类器并训练
classifier = MultinomialNB()
classifier.fit(X_train, y_train)

# 对新的文本进行分类
# 首先将新的文本转换为数值特征
X_test = vectorizer.transform(['这是一篇关于体育的文章'])

# 使用训练好的分类器进行预测
prediction = classifier.predict(X_test)

# 将预测结果转换为类别
predicted_label = label_encoder.inverse_transform(prediction)
print(predicted_label)  # 输出 ['体育']

希望