sklearn朴素贝叶斯分类器_基于朴素贝叶斯模型的文本分类器

朴素贝叶斯模型因为其简单实用，在分类中有广泛的应用。结合文本分类的传统模型-词袋模型，进行简单分类，效果还不错。

比如，输入：

‘这个孩子不好,昨天生气打人了, 糟糕’，分类结果为： neg,0.6577

'这个孩子虽然 打人 ,但非常优秀' ,分类结果为：pos,0.7067

第一步，首先建立词袋对象

Sublime Text显示非常漂亮。

我们看，词袋对象word_tags一共三个成员：

bags ：词袋，用词典，key:word项，value:word在类别中出现的次数

counts: word的总数量

unk : 表示未见过的词语

然后，定义了相关成员，关键函数包括：

update_bags(self,key,value)：模型训练过程中，更新词袋的对象和计数

get_word_frequency(self,key): 获取词项对应的词频

然后，定义Bayes模型对象：

包括训练和预测两个函数。

之后，来定义情感分类对象：

Sentiment_analysis通过预处理数据以后，调用Bayes_model进行训练和预测。

最后，进行训练和分类：

效果还不错：

('neg', 0.657748544497328)

('pos', 0.7067436447326716)

以上只是简单验证，完整的处理还应包括文本的预处理，词频统计算法的修改，统计和可视化，但这些不是本文重点，略过。

如果需要完整代码请留言。