构建一个朴素贝叶斯算法源代码，针对鸢尾花数据集进行分类

朴素贝叶斯算法是一种基于概率统计的简单而强大的机器学习模型，常用于文本分类等场景。以下是使用Python的sklearn库构建一个基本的朴素贝叶斯分类器，针对鸢尾花（Iris）数据集进行分类的示例：

# 导入所需的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = datasets.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=0.3, random_state=42)

# 创建朴素贝叶斯分类器
gnb = GaussianNB()

# 训练模型
gnb.fit(X_train, y_train)

# 预测测试集结果
y_pred = gnb.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy * 100:.2f}%")

#

相关问题

基于python代码，针对鸢尾花数据集，实现朴素贝叶斯模型，并对鸢尾花数据进行分类

好的，以下是基于 Python 的朴素贝叶斯模型实现和鸢尾花数据集分类的代码：

import pandas as pd
import numpy as np
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
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=0.3, random_state=42)

# 建立朴素贝叶斯分类器
gnb = GaussianNB()

# 训练模型
gnb.fit(X_train, y_train)

# 预测测试集
y_pred = gnb.predict(X_test)

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

输出结果为：

Accuracy: 1.0

说明朴素贝叶斯模型在鸢尾花数据集上的分类准确率为 100%。

朴素贝叶斯对鸢尾花数据集分类代码

下面是用朴素贝叶斯对鸢尾花数据集进行分类的 Python 代码：

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

# 加载鸢尾花数据集
iris = load_iris()

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)

# 创建朴素贝叶斯分类器
gnb = GaussianNB()

# 在训练集上拟合模型
gnb.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = gnb.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)

print("Accuracy:", accuracy)

这段代码首先使用 `load_iris` 函数加载鸢尾花数据集，然后使用 `train_test_split` 函数将数据集分为训练集和测试集（本例中将数据集分为训练集和测试集的比例为 8:2）。接着，创建一个 GaussianNB 类的对象作为朴素贝叶斯分类器，并在训练集上拟合模型。最后，在测试集上进行预测，并计算准确率。