如何在python的朴素贝叶斯分类器中对用户输入测试集进行分类？

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

train_data = ['文本1', '文本2', ...]  # 训练集的文本数据
train_labels = ['标签1', '标签2', ...]  # 训练集的标签数据

test_data = ['测试文本1', '测试文本2', ...]  # 测试集的文本数据

vectorizer = CountVectorizer()  # 创建一个向量化器
train_features = vectorizer.fit_transform(train_data)  # 对训练集的文本数据进行向量化
test_features = vectorizer.transform(test_data)  # 对测试集的文本数据进行向量化

classifier = MultinomialNB()  # 创建一个朴素贝叶斯分类器
classifier.fit(train_features, train_labels)  # 使用训练集的特征和标签进行训练

predictions = classifier.predict(test_features)  # 对测试集的特征进行分类预测

for text, label in zip(test_data, predictions):
    print(f"文本：{text}，预测标签：{label}")