Question

我找到了here的这一小块代码：

import nltk.classify.util
from nltk.classify import NaiveBayesClassifier
from nltk.corpus import movie_reviews
from nltk.corpus import stopwords

def word_feats(words):
    return dict([(word, True) for word in words])

negids = movie_reviews.fileids('neg')
posids = movie_reviews.fileids('pos')

negfeats = [(word_feats(movie_reviews.words(fileids=[f])), 'neg') for f in negids]
posfeats = [(word_feats(movie_reviews.words(fileids=[f])), 'pos') for f in posids]

negcutoff = len(negfeats)*3/4
poscutoff = len(posfeats)*3/4

trainfeats = negfeats[:negcutoff] + posfeats[:poscutoff]
testfeats = negfeats[negcutoff:] + posfeats[poscutoff:]
print 'train on %d instances, test on %d instances' % (len(trainfeats), len(testfeats))

classifier = NaiveBayesClassifier.train(trainfeats)
print 'accuracy:', nltk.classify.util.accuracy(classifier, testfeats)
classifier.show_most_informative_features()

但是，我如何对可能在语料库中的随机单词进行分类。

classifier.classify('magnificent')

不起作用。它需要某种物体吗？

非常感谢。

编辑：感谢@ unutbu的反馈和一些挖掘here并阅读原始帖子的评论，以下为此代码产生'pos'或'neg'（这个是'pos'）

print(classifier.classify(word_feats(['magnificent'])))

这会产生对'pos'或'neg'

这个词的评价

print(classifier.prob_classify(word_feats(['magnificent'])).prob('neg'))

Answer 1

print(classifier.classify(word_feats(['magnificent'])))

产量

pos

classifier.classify方法不对单个单词本身进行操作，而是根据功能的dict进行分类。在此示例中，word_feats将句子（单词列表）映射到dict个要素。

以下是使用NaiveBayesClassifier的{{3}}（来自NLTK书籍）。通过比较该示例与您发布的示例之间的相似和不同之处，您可以更好地了解如何使用该示例。

NLTK使用训练的分类器对接口进行分类

1 个答案: