当然可以。以下是一个简单的例子，使用Python的`scikit-learn`库来训练一个逻辑回归模型，检测句子是否含有侮辱性内容：
```python
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# 模拟数据
data = [
"你真棒",
"太美了",
"你真笨",
"你这个傻瓜",
"我喜欢你",
"你真讨厌"
]
labels = [0, 0, 1, 1, 0, 1] # 0表示正常，1表示侮辱性
# 分割数据集
X_train, X_test, y_train, y_test = train_test_split(data, labels, test_size=0.2, random_state=42)
# 使用TF-IDF向量化文本数据
vectorizer = TfidfVectorizer()
X_train_vec = vectorizer.fit_transform(X_train)
X_test_vec = vectorizer.transform(X_test)
# 训练逻辑回归模型
clf = LogisticRegression()
clf.fit(X_train_vec, y_train)
# 预测
y_pred = clf.predict(X_test_vec)
# 评估
print("Accuracy:", accuracy_score(y_test, y_pred))
# 预测新的句子
new_sentence = vectorizer.transform(["你是个好人"])
prediction = clf.predict(new_sentence)
if prediction[0] == 1:
print("这句话是侮辱性的。")
else:
print("这句话是正常的。")
```
请注意，此示例是非常基础的，并且使用的是模拟数据。实际应用中，需要大量的标注数据，以及可能需要进行更多的文本预处理和参数调整来提高模型的性能。
