python朴素贝叶斯算法

朴素贝叶斯算法是一种分类算法，它基于贝叶斯定理和特征条件独立假设来计算给定特征下某个类别出现的概率。在Python中，可以使用scikit-learn库中的MultinomialNB类来实现朴素贝叶斯分类器。以下是一个简单的示例代码：

from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer

# 创建特征向量和目标变量
X = ['this is a good book', 'this is a bad book', 'this is not a book']
y = ['positive', 'negative', 'negative']

# 将文本转换为特征向量
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(X)

# 训练朴素贝叶斯分类器
clf = MultinomialNB()
clf.fit(X, y)

# 预测新样本的类别
new_sample = ['this is a not good book']
new_sample_vec = vectorizer.transform(new_sample)
print(clf.predict(new_sample_vec))

在上面的代码中，我们使用CountVectorizer将文本转换为特征向量，并使用MultinomialNB训练朴素贝叶斯分类器。最后，我们使用该分类器对新样本进行分类。