模型太简单，无法捕捉数据中的基本规律。模型“学得太少了”，连基本规律都没掌握。

导入数据文本预处理（分词、去停用词、词干提取）特征提取（TF-IDF）模型训练（朴素贝叶斯、逻辑回归、SVM）模型评估与应用通过这些步骤，大概可以构建一个情感分类系统，用于判断文本的情感倾向。由于本人能力有限，只用了200条数据来建模，处理和方法的应用有很多不到位的地方，以上代码运行下来的结果准确率不高，最高的是用朴素贝叶斯的，0.7左右，MAE值1.2左右。如果有错误或者可以改进的地方，欢迎指出

利用一组已知输入–输出对的训练集 D = {(x₁,y₁), …, (xₙ,yₙ)}，学得映射 f: X→Y，使得对未见样本 x* 的预测 ŷ = f(x*) 的期望损失最小。通过已标注的训练数据集（输入-输出对）学习一个映射函数，使得对新输入数据能预测相应输出。学习时有标准答案，目标是学会预测或分类 -> 老师教学生。

明确业务目标你要解决的是什么问题？是分类（客户是否会流失？）还是回归（预测房价？定义清晰的目标变量y）：你要预测的是什么？例如Churn（是/否）、（连续数值）。定义特征变量X）：有哪些因素可能影响目标变量？例如用户的“通话时长”、“套餐类型”，房子的“面积”、“地段”。数据收集从数据库、数据仓库、API或CSV/Excel文件等渠道收集所有相关的数据。

模型太简单，无法捕捉数据中的基本规律。模型“学得太少了”，连基本规律都没掌握。

利用一组已知输入–输出对的训练集 D = {(x₁,y₁), …, (xₙ,yₙ)}，学得映射 f: X→Y，使得对未见样本 x* 的预测 ŷ = f(x*) 的期望损失最小。通过已标注的训练数据集（输入-输出对）学习一个映射函数，使得对新输入数据能预测相应输出。学习时有标准答案，目标是学会预测或分类 -> 老师教学生。

以上内容为参考网站资料后自己整理+AI检查，如果有错误的地方，可能会有出错的地方，欢迎指出~内容参考：SQLZoo。