如何在python中从头开始使用TF idf使朴素贝叶斯多项式？

我知道python中有一个库

从sklearn.naive_bayes导入多项式nb

---

但我想知道如何在不使用TfIdfVectorizer和多项式nb之类的库的情况下从头开始创建一个MNB分类器？

下面是关于如何使用TF-IDF制作简单MNB分类器的一步一步介绍

首先，您需要导入方法TfIdfVectorizer来标记数据集中的术语，多项式nb作为分类器，以及用于分割数据集的train\u test\u split。（这两种都可以在sklearn中获得）

将数据集拆分为训练和测试集

初始化TfIdfVectorizer的构造函数，然后通过方法fit_transform对序列集进行向量化/标记化

使用Fit方法对测试集进行向量化/拟合

通过调用构造函数多项式nb（）初始化分类器

model=多项式nb（）#带有默认超参数

使用训练集训练分类器

model.fit（X\U系列、y\U系列）

使用测试集测试/验证分类器

model.predict（X_检验，y_检验）

---

以上7个步骤是简单的步骤。显然，您还可以进行文本预处理以及建模评估

欢迎来到SO fik！您的意思是“我如何实现Naive Bayes+我如何实现TFIDF向量化器”还是“导入库后，我如何使模型适合数据？”我如何使用TFIDF实现Naive Bayes而不使用库TFIDFvectorier和多项式Nb（），但从零开始，这个问题太广泛，无法在这里回答，请查看。对于多项式朴素贝叶斯的概述，有一个工作示例，以及。两者都解释了单词袋（

CountVectorizer

）模型的朴素贝叶斯，但它们的实现将等同于TFIDF矢量器。我不是说使用TfIdfVectorizer和多项式NB（）之类的库，而是指如何从头开始构建它们