下面是一个例子，其中有一个循序渐进的过程来让系统学习和分类输入数据。
它对给定的5个数据集域进行了正确的分类。此外，它还对停止语进行了分类。
例如
输入：docs_new = ['God is love', 'what is where']
输出：
'God is love' => soc.religion.christian
'what is where' => soc.religion.christian
这里what is where不应该被分类，因为它只包含停止语。scikit如何在这种情况下学习功能？
我不确定您使用的是什么分类器。但让我们假设您使用的是朴素贝叶斯分类器。
在这种情况下，样本被标记为给定特定单词模式的后验概率最大的类别
后验概率计算为
后验=似然性x先验
请注意，证据项已删除，因为它是常量）。此外，还有一个加法平滑，以避免出现可能性为零的情况
无论如何，如果你的输入文本中只有停止词，那么所有类的可能性都是恒定的，后验概率完全由你的先验概率决定。因此，基本上发生的是，Naive Bayes分类器（如果先验是从训练数据中估计的）将分配训练数据中最常见的类标签。
根据定义，分类器总是预测它在训练阶段看到的类之一。我不知道你做了什么来生成分类器，但很可能它只是预测任何没有有趣特征的样本的大多数类；这就是朴素贝叶斯、线性SVM和其他典型的文本分类器所做的。
标准文本分类使用TfidfVectorizer将文本转换为标记和特征向量，作为分类器的输入。init参数之一是stop_words，如果stop_words="english"，矢量器将不会为句子"what is where"生成任何特征。使用内置的英语停止词列表，停止词在词汇上与每个输入标记相匹配，您可以在这里检查：https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/feature_extraction/stop_words.py