sklearn高斯分类

高斯分类是一种常见的分类方法，可以使用sklearn库中的GaussianNB类进行实现。该类实现了高斯朴素贝叶斯分类器，假设每个特征的值都服从高斯分布，然后使用贝叶斯公式计算后验概率进行分类。

下面是一个简单的示例代码，演示如何使用GaussianNB类进行高斯分类：

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

# 加载数据集
iris = load_iris()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3)

# 创建高斯朴素贝叶斯分类器
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
acc = (y_pred == y_test).sum() / len(y_test)
print("Accuracy:", acc)

在这个示例中，我们加载了鸢尾花数据集，将其划分为训练集和测试集，然后使用GaussianNB类创建高斯朴素贝叶斯分类器。接下来，我们使用训练集拟合模型，然后在测试集上进行预测并计算准确率。

需要注意的是，高斯分类假设每个特征都服从高斯分布，这在实际应用中并不总是成立。因此，在使用高斯分类进行分类之前，需要考虑数据的分布情况和特征之间的相关性。