scikit学习 http://scikit-learn.org has 多项式朴素贝叶斯的实现 http://scikit-learn.org/stable/modules/naive_bayes.html#multinomial-naive-bayes,这是这种情况下朴素贝叶斯的正确变体。不过,支持向量机 (SVM) 可能会工作得更好。
正如 Ken 在评论中指出的那样,NLTK 已经scikit-learn 分类器的一个很好的包装器 https://github.com/nltk/nltk/blob/master/nltk/classify/scikitlearn.py。根据文档修改,这里有一个有点复杂的模型,它执行 TF-IDF 加权,根据 chi2 统计选择 1000 个最佳特征,然后将其传递到多项式朴素贝叶斯分类器。 (我敢打赌这有点笨拙,因为我对 NLTK 或 scikit-learn 都不太熟悉。)
import numpy as np
from nltk.probability import FreqDist
from nltk.classify import SklearnClassifier
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.feature_selection import SelectKBest, chi2
from sklearn.naive_bayes import MultinomialNB
from sklearn.pipeline import Pipeline
pipeline = Pipeline([('tfidf', TfidfTransformer()),
('chi2', SelectKBest(chi2, k=1000)),
('nb', MultinomialNB())])
classif = SklearnClassifier(pipeline)
from nltk.corpus import movie_reviews
pos = [FreqDist(movie_reviews.words(i)) for i in movie_reviews.fileids('pos')]
neg = [FreqDist(movie_reviews.words(i)) for i in movie_reviews.fileids('neg')]
add_label = lambda lst, lab: [(x, lab) for x in lst]
classif.train(add_label(pos[:100], 'pos') + add_label(neg[:100], 'neg'))
l_pos = np.array(classif.classify_many(pos[100:]))
l_neg = np.array(classif.classify_many(neg[100:]))
print "Confusion matrix:\n%d\t%d\n%d\t%d" % (
(l_pos == 'pos').sum(), (l_pos == 'neg').sum(),
(l_neg == 'pos').sum(), (l_neg == 'neg').sum())
这为我打印:
Confusion matrix:
524 376
202 698
不完美,但还不错,考虑到这不是一个超级简单的问题,而且它只在 100/100 上进行训练。