用python写贝叶斯水果分类器的代码

在Python中，我们可以使用`sklearn`库中的`GaussianNB`类来实现简单的贝叶斯朴素贝叶斯分类器，它适用于分类问题。假设我们有一个关于水果的数据集，其中包含一些特征（如颜色、形状等）和标签（苹果、橙子）。以下是基本的代码示例：

from sklearn.datasets import load_iris  # 使用鸢尾花数据集代替水果数据，因为没有直接的水果数据集
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score

# 加载数据
data = load_iris()  # 将这里替换为实际的水果数据
X = data.data
y = data.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)

# 创建并训练模型
gnb = GaussianNB()
gnb.fit(X_train, y_train)

# 预测
y_pred = gnb.predict(X_test)

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

# 类别名称
class_names = data['target_names']
print("Class names:", class_names)

# 示例代码，如果你有自定义的水果数据，替换上述部分即可

在这个例子中，首先加载数据，然后将其分为训练集和测试集。接着，创建一个`GaussianNB`模型，并在训练集上拟合。预测测试集的结果，并计算分类的准确性。