朴素贝叶斯模型

第1关：利用sklearn构建朴素贝叶斯模型

任务描述
本关任务：编写一个使用贝叶斯分类器完成垃圾邮件分类的程序。

相关知识
为了完成本关任务，你需要掌握：1.朴素贝叶斯模型，2.使用sklearn构建朴素贝叶斯分类器。

朴素贝叶斯模型
贝叶斯方法是一种生成式分类模型，这是一种从概率论上延伸出来的方法。在概率论与统计学中，贝叶斯定理表达了一个事件发生的概率，而确定这一概率的方法是基于与该事件相关的条件先验知识。而利用相应先验知识进行概率推断的过程为贝叶斯推断。

编程要求
根据提示，在右侧编辑器补充代码，完成使用sklearn构建朴素贝叶斯分类器，包括：

数据处理
训练测试集的划分
模型训练
测试数据预测和AUC计算
打印AUC
测试说明
平台会对你编写的代码进行测试：
使用sklearn构建朴素贝叶斯分类器
sklearn做为一个强大机器学习工具，为我们提供了贝叶斯分类器模型的函数接口 sklearn.naive_bayes.MultinomialNB。
不仅如此，我们还可以使用sklearn.model_selection.train_test_split进行训练集和测试集的划分，使用sklearn.metrics.roc_auc_score进行auc指标计算。
下面我们便使用该工具完成上述数据集的训练，来探究sklearn构建朴素贝叶斯分类器，并使用垃圾邮件数据集完成分类。我们的训练过程将包含以下几个方面：

数据处理
训练测试集的划分
模型调用及训练
预测和参数计算
预期输出：

提示：