🧠 自然语言处理四种方法实践指南

---

🌟 概述

1. ✂ 文本预处理
   使用 jieba 中文分词工具，将评论文本标准化并分词，为后续向量化处理打基础。

2. 🔢 特征提取
   统一采用 CountVectorizer 提取文本词频特征，构建训练与预测数据矩阵。

3. 🧪 模型训练与验证
   使用四种主流机器学习方法：朴素贝叶斯、决策树、K 最近邻、随机森林，比较各自的分类效果。

4. 📊 模型评估指标
   输出 Accuracy、Precision、Recall、F1 分数，全面衡量分类性能。

---

🧰 使用模型一览

📗 模型一：Naive Bayes（朴素贝叶斯）

• 技术亮点
  利用 MultinomialNB 适应文本分类的词频特性
精简训练流程，适合轻量快速建模场景

• 核心流程
  jieba 分词 → CountVectorizer 向量化 → MultinomialNB 模型训练
预测数据输出结果并保存

---

🌲 模型二：Decision Tree（决策树）

• 技术亮点
  构造规则树，逻辑可解释性强
可处理非线性分类边界

• 特别处理
  手动定义分词函数 tokenize，提高语义切分精准度
明确转换字段为字符串避免数据类型问题

---

🧭 模型三：K-Nearest Neighbors（K 最近邻）

• 技术亮点
  基于“邻近相似”原则进行分类
无需训练过程，适合小样本、直观理解场景

• 实践注意
  文本向量化后标准化尤为重要，KNN 对距离敏感
K 值默认未展示选择策略，后续可调参优化

---

🌳 模型四：Random Forest（随机森林）

• 技术亮点
  多棵决策树集成，增强泛化能力
适用于高维稀疏特征空间的分类问题

• 表现亮点
  准确率通常高于单棵决策树
抗过拟合能力强，鲁棒性高

---

🔁 模型对比分析

• 统一评估指标
  Accuracy | Precision | Recall | F1-score

• 分析亮点
  各模型对训练集的拟合表现对比直观
可用作模型选择的基准实验框架

---

📂 数据说明

• Training_set.xlsx：包含评论文本及情感标签
• Predict.xlsx：需分类的无标签评论集

---

🧪 技术栈汇总

类别	工具
文本处理	jieba
特征工程	CountVectorizer
模型库	sklearn.naive_bayes, sklearn.tree, sklearn.neighbors, sklearn.ensemble
评估指标	accuracy_score, precision_score, recall_score, f1_score

---

🔗 推荐资源

• 📘 Scikit-learn 文档
• 🧠 jieba 分词 GitHub

---

📌 小贴士

若处理自定义数据，请统一编码与列名格式
可尝试加入 TF-IDF 特征、词向量模型优化分类效果