高斯朴素贝叶斯python代码

高斯朴素贝叶斯是一种基于贝叶斯定理的概率分类算法，常用于文本分类、垃圾邮件过滤等场景。在Python中，我们可以使用scikit-learn库来实现高斯朴素贝叶斯模型。下面是一个简单的例子：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score

# 加载数据集（这里以Iris数据集为例）
iris = load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并训练高斯朴素贝叶斯模型
gnb = GaussianNB()
gnb.fit(X_train, y_train)

# 预测测试集
y_pred = gnb.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

# 使用方法示例（如果需要处理新样本）：
# new_data = [[...]]  # 新的数据点
# prediction = gnb.predict(new_data)

在这个代码片段中，我们首先加载了Iris数据集，然后划分了训练集和测试集，接着创建了一个GaussianNB模型，并使用训练数据对其进行拟合。最后，我们对测试集进行预测，并计算了模型的预测准确率。