Python中的朴素贝叶斯分类算法实现示例

朴素贝叶斯分类算法是一种常用于文本分类和垃圾邮件过滤等任务的机器学习算法。在Python中，我们可以使用scikit-learn库中的MultinomialNB类来实现朴素贝叶斯分类算法。以下是一个示例代码，演示了如何使用朴素贝叶斯算法进行文本分类：

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

# 假设我们有一些训练数据和对应的分类标签
train_data = ["这是一个正面的文档", "这是一个负面的文档", "这是一个中性的文档"]
train_labels = ["正面", "负面", "中性"]

# 将文本转换为特征向量
vectorizer = CountVectorizer()
train_counts = vectorizer.fit_transform(train_data)

# 使用朴素贝叶斯分类算法进行分类
clf = MultinomialNB()
clf.fit(train_counts, train_labels)

# 进行预测
test_data = ["这是一个测试文档"]
test_counts = vectorizer.transform(test_data)
predicted_labels = clf.predict(test_counts)

# 打印预测结果
for label in predicted_labels:
    print("预测结果：%s" % label)