python之NLTK 使用经过训练的分类器对接口(interface)进行分类

我找到了一小段代码 here :

import nltk.classify.util 
from nltk.classify import NaiveBayesClassifier 
from nltk.corpus import movie_reviews 
from nltk.corpus import stopwords 
 
def word_feats(words): 
    return dict([(word, True) for word in words]) 
 
negids = movie_reviews.fileids('neg') 
posids = movie_reviews.fileids('pos') 
 
negfeats = [(word_feats(movie_reviews.words(fileids=[f])), 'neg') for f in negids] 
posfeats = [(word_feats(movie_reviews.words(fileids=[f])), 'pos') for f in posids] 
 
negcutoff = len(negfeats)*3/4 
poscutoff = len(posfeats)*3/4 
 
trainfeats = negfeats[:negcutoff] + posfeats[:poscutoff] 
testfeats = negfeats[negcutoff:] + posfeats[poscutoff:] 
print 'train on %d instances, test on %d instances' % (len(trainfeats), len(testfeats)) 
 
classifier = NaiveBayesClassifier.train(trainfeats) 
print 'accuracy:', nltk.classify.util.accuracy(classifier, testfeats) 
classifier.show_most_informative_features() 

但是我怎样才能对语料库中可能存在的随机词进行分类。

classifier.classify('magnificent') 

不起作用。它需要某种对象吗？

非常感谢。

编辑:感谢@unutbu 的反馈和一些挖掘 here并阅读原始帖子上的评论，以下代码对此代码产生“pos”或“neg”(这是一个“pos”)

print(classifier.classify(word_feats(['magnificent']))) 

这会产生对“pos”或“neg”的词的评估

print(classifier.prob_classify(word_feats(['magnificent'])).prob('neg')) 

请您参考如下方法:

print(classifier.classify(word_feats(['magnificent']))) 

产量

pos 

classifier.classify 方法本身并不对单个单词进行操作，它根据特征 的dict 进行分类。在此示例中，word_feats 将句子(单词列表)映射到特征的 dict。

这里是 another example (来自 NLTK 书)使用 NaiveBayesClassifier。通过比较该示例与您发布的示例之间的异同，您可能会更好地了解如何使用它。