将 Iris 数据集（只考虑前两个属性）按照3:2 的比例 划分训练集和测试集，然后采用 sklearn 中的 GaussianNB方法进行预测，并将结果可视化（画出散点 图和分割边界)

首先，为了完成这个任务，你需要安装必要的Python库，包括`scikit-learn`、`matplotlib`等。在安装完成后，你可以按照以下步骤操作：

1. 导入所需的库：

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt

2. 加载Iris数据集并选择前两个属性（Sepal Length 和 Sepal Width）：

iris = datasets.load_iris()
X = iris.data[:, :2]  # 只保留前两个特征
y = iris.target

3. 划分训练集和测试集，按3:2的比例：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, stratify=y, random_state=42)

注意这里用了`stratify`来保持类别间的比例在划分后的集合中也是一致的。

4. 训练Gaussian Naive Bayes模型：

gnb = GaussianNB()
gnb.fit(X_train, y_train)

5. 进行预测，并计算准确率：

y_pred = gnb.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

6. 绘制散点图和决策边界（假设二维数据）：

plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap='viridis')
plt.title('Training Data with Decision Boundaries')
decision_boundary = [-1 * gnb.theta_[0, 0] / gnb.theta_[0, 1],
                     -1 * (gnb.theta_[0, 2] + gnb.sigma_[0, 0, 0]) / (gnb.theta_[0, 1])]
# 注意这里的公式适用于高斯朴素贝叶斯分类器的一维线性决策边界
plt.plot(decision_boundary[0], decision_boundary[1], 'k--', label="Decision Boundary")
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend()
plt.show()

# 对测试集进行同样的操作
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred, cmap='viridis')
plt.title('Test Data with Predictions')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend()
plt.show()

以上就是按照3:2比例划分训练集和测试集，使用GaussianNB进行预测并可视化的整个过程。请注意，由于GaussianNB假设特征之间是独立正态分布的，实际应用中可能需要对数据预处理以满足这一条件。此外，在高维空间里，绘制真实决策边界可能不太直观，这里只是一个二维近似示例。