数据集为cut_content，使用python进行文本分类，使用朴素贝叶斯分词算法和支持向量机分词算法，进行交叉验证，其中国80%为训练，20%为测试集。请给出具体代码

好的，以下是基于朴素贝叶斯和支持向量机算法的文本分类代码：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import CountVectorizer, TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score, classification_report

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

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data['content'], data['label'], test_size=0.2)

# 特征提取
vectorizer = CountVectorizer()  # 朴素贝叶斯算法中使用词袋模型
# vectorizer = TfidfVectorizer()  # 支持向量机算法中使用tf-idf模型

X_train = vectorizer.fit_transform(X_train)
X_test = vectorizer.transform(X_test)

# 构建模型
nb = MultinomialNB()  # 朴素贝叶斯算法
# nb = SVC()  # 支持向量机算法

nb.fit(X_train, y_train)

# 预测
y_pred = nb.predict(X_test)

# 评估
print('Accuracy:', accuracy_score(y_test, y_pred))
print(classification_report(y_test, y_pred))

其中，朴素贝叶斯算法中使用词袋模型（`CountVectorizer()`），支持向量机算法中使用tf-idf模型（`TfidfVectorizer()`）。可以根据需要选择使用哪种模型。

另外，交叉验证可以通过`cross_val_score`函数实现。例如，如果要进行5折交叉验证，可以这样写：

from sklearn.model_selection import cross_val_score

scores = cross_val_score(nb, X_train, y_train, cv=5)  # 朴素贝叶斯算法
# scores = cross_val_score(svm, X_train, y_train, cv=5)  # 支持向量机算法

print('Cross validation scores:', scores)
print('Average score:', scores.mean())