中文文本分类系统（TF-IDF + 多模型对比）产品系统

在舆情监控、内容审核、新闻分类等场景中，需要自动将文本内容归类到预定义类别。本实验构建了一个完整的中文文本分类系统，对比4种主流分类算法在真实中文数据集上的表现。

1. 自动加载多类别（女性/体育/文学/校园）文本数据，支持训练集/测试集分离
2. 文本预处理：URL/邮箱/数字/特殊字符清洗，中文停用词过滤
3. TF-IDF特征提取：词频-逆文档频率向量化，支持n-gram（1-2元），自动降维至1500维
4. 多模型训练：同时训练4种分类器
朴素贝叶斯（MultinomialNB）
支持向量机（SVM，线性核）
随机森林（100棵树）
逻辑回归
5. 性能评估：准确率、分类报告（精确率/召回率/F1值）、训练/测试耗时
6. 可视化分析：准确率对比柱状图、时间对比图、综合性能雷达图

【项目成果】
1.成功构建可复用的中文文本分类pipeline
2.对比4种算法性能，输出最佳模型推荐
3.代码模块化设计（DataLoader / TextProcessor / FeatureExtractor / ModelTrainer），易于适配新数据集

【交付成果】
1.完整Python源码（.py文件，含详细注释）
2.分类结果CSV（各模型准确率、耗时）
3.详细分析报告（.txt）
4.可视化图表（PNG，300dpi）
5.可直接修改路径适配新数据