支持向量机SVM②——文本分类实战（SVM&KNN&贝叶斯&决策树）

SVM系列目录：
支持向量机SVM①——Sklearn核函数参数介绍(线性&高斯&多项式&sigmond)
支持向量机SVM③——通过4种核函数进行波斯顿房价回归预测

SVM基于其可以很好的处理高维数据集的特点，常应用在文本分类，图像识别等领域。本文先对Sklearn自带的fetch_20newsgroups数据集用SVM进行分类，然后再与KNN，贝叶斯，决策树三种分类算法进行对比。

代码如下：

① 导入数据

from sklearn.datasets import fetch_20newsgroups

categories = ['alt.atheism', 'soc.religion.christian', 'comp.graphics', 'sci.med']
train_data = fetch_20newsgroups(subset='train', shuffle=True,categories=categories,random_state=10)

② 特征向量化&TF-IDF&标准化

from sklearn.feature_extraction.text import TfidfVectorizer
tfidf_transformer = TfidfVectorizer()
tf_train_data = tfidf_t