使用sklearn包 CountVectorizer是通过fit_transform函数将文本中的词语转换为词频矩阵get_feature_names()可看到所有文本的关键字 vocabulary_可看到所有文本关键字和其位置 toarray()可以看到词频矩阵的结果TfidfTransformer是统计CountVectorizer中每个词语的tf-idf权值 TfidfVectorizer可以把CountVectorizer、TfidfTransformer合并起来，直接生成tfidf值 其关键参数：max_df：这个给定特征可以应用在tf-idf矩阵中，泳衣描述单...
sklearn python APILinearRegressionfrom sklearn.linear_model import LinearRegression # 线性回归 # module = LinearRegression() module.fit(x, y) module.score(x, y) module.predict(test)LogisticRegressionfrom sklearn.linear_model import LogisticRegression # 逻辑回归 # module = LogisticRegression() module.fit(x, y) module.score(x, y) module.predict(test)KNNfrom sklearn.neighbors import K...
希望生成一系列不同精度的 Naive Bayes 分类器，故需要保存多个这样的算法模型。 在python 语言中，可以用字典来保存 算法模型import copy ##需要对模型进行 copy,故要 copy 模块 print(生成) for i in np.arange(0,100):y_train=flip(y1,p[i])#print(翻转后元素真实标记比例,np.sum(y_train==y1)/y_train.shape[0])true_label_ratio.append(np.sum(y_train==y1)/y_train.shape[0])#names[model_%s %i] = gnb.fit(X1,y1)model_i=gn...