17、文本分类：多种分类器的使用与比较

文本分类：多种分类器的使用与比较

1. 手动训练朴素贝叶斯分类器

在训练朴素贝叶斯分类器时，你并非只能使用 train() 类方法。你可以手动创建 label_probdist 和 feature_probdist 变量。 label_probdist 变量应该是 ProbDistI 的一个实例，并且包含每个标签的先验概率。 feature_probdist 变量应该是一个字典，其键是 (标签, 特征名) 形式的元组，值是 ProbDistI 的实例，这些实例包含每个特征值的概率。在我们的例子中，每个 ProbDistI 应该只有一个值 True=1 。

以下是一个使用手动构造的 DictionaryProbDist 类的简单示例：

from nltk.probability import DictionaryProbDist
label_probdist = DictionaryProbDist({'pos': 0.5, 'neg': 0.5})
true_probdist = DictionaryProbDist({True: 1})
feature_probdist = {('pos', 'yes'): true_probdist, ('neg', 'no'): true_probdist