文本分类：MultinomialNB

一级目录

二级目录

三级目录

输入量处理

from sklearn.feature_extraction.text import CountVectorizer   
#特征抽取,将文本特征向量化
vec=CountVectorizer()
X_train=vec.fit_transform(X_train)#词频矩阵
X_test=vec.transform(X_test)

数据训练

from sklearn.naive_bayes import MultinomialNB
mnb=MultinomialNB()
mnb.fit(X_train,y_train)
y_predict=mnb.predict(X_test)

分类评估

from sklearn.metrics import classification_report
print('The accuracy of Navie Bayes Classifier is',mnb.score(X_test,y_test))
print(classification_report(y_test,y_predict,target_names=news.target_names))

classification_report

链接：https://blog.csdn.net/houyanhua1/article/details/87968953

sklearn中的classification_report函数用于显示主要分类指标的文本报告。在报告中显示每个类的精确度，召回率，F1值等信息。

分类模型的评估标准一般最常见使用的是准确率（estimator.score()），即预测结果正确的百分比。
precision（精度）：关注于所有被预测为正（负）的样本中究竟有多少是正（负）。（分母是预测出的数据）
recall（召回率）： 关注于所有真实为正（负）的样本有多少被准确预测出来了。（分母是原数据）
f1-score：二者均值。
supprot：每个标签的出现次数。
avg / total行为各列的均值（support列为总和）。