NLTK NaiveBayesClassifier分类器问题

Question

我正在尝试NaiveBayesClassifier，并具有以下训练数据：

positive_vocab = [ 'awesome' ]
negative_vocab = [ 'bad']
neutral_vocab = [ 'so-so' ]
...
classifier = NaiveBayesClassifier.train(train_set) 

然后我对以下句子进行分类：糟糕的电影，我喜欢它

这是我对每个单词的理解：

bad：neg 很棒：pos 电影，：pos i：pos 喜欢：pos 它：pos

如何/为什么决定将不在训练集中的单词（例如我喜欢它，电影）归为肯定？

谢谢

Answer 1

训练情感模型意味着您的模型学习单词如何影响情感。 因此，这并不是要指定哪些词是肯定的，哪些是否定的–而是关于如何训练模型从文本本身来理解它的。

最简单的实现称为“单词袋”（通常与TF-IDF标准化一起使用）。一揽子单词是这样工作的：您将单词按单词拆分，并计算给定文本块（或复查）中每个单词的出现次数。这样，行对应于不同的评论，而列对应于给定评论中给定单词出现的次数。该表将成为您的X，预测的目标情感将成为您的Y（例如0表示否定，1表示肯定）。

然后您训练分类器：

from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import TfidfVectorizer, CountVectorizer

reviews, Y = your_load_function()

vectorizer = TfidfVectorizer()  # or CountVectorizer()
X = vectorizer.fit_transform(reviews)  # convert text to words counts

model = MultinomialNB()
model.fit(X, Y)

训练模型后，您可以进行预测：

new_reviews = your_load_function2()
new_X = vectorizer.transform(new_reviews)
predicted_Y = model.predict(new_X)

进一步阅读：
https://en.wikipedia.org/wiki/Bag-of-words_model
https://en.wikipedia.org/wiki/Tf-idf
http://scikit-learn.org/stable/modules/generated/sklearn.naive_bayes.MultinomialNB.html
http://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html