做文本分类通常包括以下步骤：
数据收集：收集并准备用于训练和测试的文本数据集。
数据预处理：数据清洗、分词、去除停用词、词干提取、向量化等处理，将文本数据转换为可供机器学习算法使用的格式。
特征提取：选取适当的特征表示文本数据，常用的方法包括词袋模型、TF-IDF、Word2Vec等。
模型选择：选择适合任务的文本分类模型，如朴素贝叶斯、支持向量机、深度学习模型等。
模型训练：使用训练数据集对选择的模型进行训练。
模型评估：使用测试数据集对训练好的模型进行评估，评估指标可以包括准确率、精确率、召回率、F1值等。
调参优化：根据评估结果进行模型调参和优化，以获得更好的分类效果。
使用文本分类模型可以通过编程语言如Python来实现。在Python中，常用的文本分类库包括Scikit-learn、NLTK、TensorFlow等，具体使用方法可参考相关文档和教程。
如果您需要更具体的指导或展示示例代码，请提供更具体的问题描述，我可以帮助您更详细地了解如何进行文本分类和应用相应的代码。