使用 SVM 模型对文本进行分类。要求如下，将实验 3-2 的贝叶斯文本分类模型修改为 SVM 模型，并计算分类准确率。 # SVM 分类器 svc = SVC(kernel='linear') svc.fit(train_features, train_labels)

SVM (Support Vector Machine) 是一种常用的监督学习算法，在文本分类任务中，它可以用于将文本数据转换为可用于机器学习的数值特征向量，通常是通过词袋模型（Bag of Words）或 TF-IDF（Term Frequency-Inverse Document Frequency）等技术。在你的实验中，你需要做以下几个步骤：

1. **数据预处理**：首先对训练集（train_features）和标签（train_labels）进行清洗和标准化，包括去除停用词、标点符号，以及进行词干提取或词形还原。

2. **特征提取**：将文本转换成数值特征，如上述提到的词袋模型或TF-IDF，得到 `train_features` 中每条文档的表示形式。

3. **训练模型**：创建一个SVC对象 `svc`，设置了线性内核 (`kernel='linear'`)，这是因为线性SVM对于简单的文本分类任务通常效果良好。然后调用 `fit()` 方法，传入预处理后的特征矩阵 `train_features` 和对应的标签 `train_labels` 来训练模型。

4. **评估模型**：对于测试集（未使用的数据），同样进行预处理并提取特征。使用 `predict()` 方法对测试集应用训练好的SVM模型，得到预测的类别。最后，计算分类准确率，即正确分类的样本数除以总样本数，可以使用sklearn库的 `accuracy_score()` 函数来计算。

5. **代码示例**：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 转换训练集和测试集为Tf-idf特征
vectorizer = TfidfVectorizer()
train_features_tfidf = vectorizer.fit_transform(train_texts)
test_features_tfidf = vectorizer.transform(test_texts)

# 训练SVC模型
svc = SVC(kernel='linear')
svc.fit(train_features_tfidf, train_labels)

# 预测
test_predictions = svc.predict(test_features_tfidf)

# 计算准确率
accuracy = accuracy_score(test_labels, test_predictions)
print(f"分类准确率为: {accuracy}")