我在下面写了一个示例代码
BLOB对于上述结果，即使受过训练的数据与测试数据相同，我也会得到import numpy as np
import pandas as pd
import csv
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.naive_bayes import MultinomialNB
text = ["this is dog" , "this is bull dog" , "this is jack"]
countVector = CountVectorizer()
countmatrix = countVector.fit_transform(text)
print countVector.vocabulary_
print countmatrix.toarray()
tfidf_transformer = TfidfTransformer()
idfX = tfidf_transformer.fit_transform(countmatrix)
#print tfidf_transformer.vocabulary_
print idfX.toarray()
clf = MultinomialNB().fit( idfX, ["dog" , "dog" , "human"])
test = ["this is jack"]
testCountMatrix = countVector.transform(test)
testidfX = tfidf_transformer.transform(testCountMatrix)
print testidfX.toarray()
print clf.predict(testidfX)
作为预测。
我在哪里错了？
答案 0 :(得分：2)
对于您编写的代码，这是预期的（或至少不是那么意外）行为：您有两个标记为dog的实例，其中您有术语this is，因此算法了解到this is与dog相关。它可能不是你所追求的，但它是一个有效的关联（如果你不懂英语，你不会容易犯同样的错误吗？）。你的训练数据过于丰富了。默认SVC()也会产生相同的结果。
尝试制作最后一个培训实例this is jack jack，然后它会为human提供this is jack，因为单词jack将更具“强大”作为标识符human。
另一种方法是在分类器中设置alpha参数：
clf = MultinomialNB(alpha=0.1).fit( idfX, ["dog" , "dog", "human"])
这将正确分类您自己的所有训练实例。
查看scikit的网格搜索，以优化预测变量的超参数。使用默认值几乎不是你能做的最好的事情。