一、什麼是文字分類？
文字分類（Text Classification）是將文本自動歸類到預先定義的類別。
例如：給定一段文字台灣隊在比賽中獲得冠軍，我們希望模型能判斷它屬於體育新聞
核心步驟：
資料收集與標註 → 需要一批帶標籤的資料（例如：垃圾郵件vs正常郵件）。
文字轉換成數字特徵 → 使用Bag-of-Words、TF-IDF或詞向量。
模型訓練 → 常見的分類模型有Naive Bayes、SVM、Logistic Regression、深度學習。
模型評估與應用 → 使用測試集檢查分類準確度。

二、常見方法
機器學習基礎方法
Naive Bayes：適合簡單分類，速度快。
SVM（支持向量機）：在高維空間中效果好。
Logistic Regression：直觀且解釋性強。

深度學習方法
CNN / RNN：擅長捕捉文字序列的特徵。
Transformer（例如 BERT）：目前NLP的主流，效果最佳。

三、Python實作：新聞分類
我們來做一個簡單範例，將新聞分成體育/政治/科技三類。

#安裝套件
#pip install scikit-learn

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.pipeline import make_pipeline

#訓練資料
texts = [
"The team won the championship after a tough match.", # 體育
"The player scored a record number of goals this season.", # 體育
"The government announced a new policy on healthcare.", # 政治
"Elections will be held next year to choose the president.", # 政治
"A new smartphone model was released with advanced AI features.", # 科技
"Researchers developed a new algorithm for faster computation." # 科技
]
labels = ["sports", "sports", "politics", "politics", "tech", "tech"]

#建立管線（TF-IDF + Naive Bayes）
model = make_pipeline(TfidfVectorizer(), MultinomialNB())

#訓練
model.fit(texts, labels)

#測試
test_texts = [
"The match ended with a surprising victory.",
"The parliament debated about tax reforms.",
"Scientists discovered a new method in quantum computing."
]

predictions = model.predict(test_texts)
for text, pred in zip(test_texts, predictions):
print(f"文章：{text} → 分類：{pred}")

範例輸出：
文章：The match ended with a surprising victory. → 分類：sports
文章：The parliament debated about tax reforms. → 分類：politics
文章：Scientists discovered a new method in quantum computing. → 分類：tech

模型能根據文本內容自動判斷文章類別。

四、應用場景
垃圾郵件過濾：郵件系統自動攔截垃圾郵件。
新聞分類：新聞網站自動把文章歸類。
客服系統：自動標籤顧客問題，分派給正確部門。
內容推薦：社群平台根據分類結果推薦相關內容。

學會了文字分類，了解了它的基本流程與Python實作。
從這裡開始，我們不僅能判斷情緒（情感分析），還能更廣泛地應用到 多種類型的分類任務。