我正在做一个推文分类，每个推文都可以属于少数几个类中的一个。训练集输出作为属于每个类的样本的概率给出。例如：推特#1： C1-0.6，C2-0.4，C3-0.0（C1，C2，C3是类）
我计划使用Scikit learn使用朴素贝叶斯分类器。我在Naiver_bayes中找不到合适的方法。py，它为每一个培训班计算概率。我需要一个分类器，它接受训练集每个类的输出概率。（即：y.shape=[n个样本，n个类]）
如何处理数据集以应用朴素贝叶斯分类器？
这并不容易，因为“类概率”可以有很多解释。
在NB分类器和skLearning的情况下，我看到的最简单的程序是：
fit（X，Y，样本权重）（其中X是你的X观察值的矩阵，Y是上一步的类矩阵，sample\u权重是上一步的pi矩阵）例如，如果您的训练集由两点组成：
您将它们转换为：
和NB一起训练
X=[[01]、[01]、[13]、[13]]Y=[1,2,1,2]sample_weights=[0.6 0.4 0.1 0.9]