Python NLTK朴素贝叶斯分类器问题

我正在试验NaiveBayesClassifier，并有以下培训数据：

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

然后我将以下句子分类：糟糕的电影，我喜欢它

以下是我从每个单词中得到的信息：

坏：阴性 真棒：pos 电影，：pos i:位置 喜欢：pos it:pos

如何/为什么决定将不在培训集中的单词（如我喜欢它，电影）归类为积极单词

---

谢谢

训练情绪模型意味着您的模型可以学习单词如何影响情绪因此，这不是关于指定哪些词是肯定的，哪些词是否定的，而是关于如何训练您的模型，使其能够从文本本身理解这一点

最简单的实现称为“单词包”（通常与TF-IDF规范化一起使用）。单词包是这样工作的：你把你的文本按单词分割，并计算每个单词在给定文本块（或评论）中出现的次数。这样，行对应于不同的评论，列对应于给定评论中给定单词的出现次数。此表将成为您的

X

，要预测的目标情绪将成为您的

Y

（0表示负面，1表示正面）

然后训练分类器：

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：

---

谢谢。这个方法怎么样：？看起来那个家伙不明白他在做什么。他的代码中有很多错误。我建议你通过这个问题来了解NLTK的NaiveBayesClassifier是如何工作的

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