贝叶斯算法python代码讲解
时间: 2024-09-29 11:09:36 浏览: 51
贝叶斯算法是一种基于概率统计的机器学习方法,用于做分类任务。它通过贝叶斯定理更新先验概率,形成后验概率来进行预测。Python中常用`scikit-learn`库来实现贝叶斯算法,例如朴素贝叶斯(Naive Bayes)分类器。
这是一个简单的朴素贝叶斯分类器的Python代码示例:
```python
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=0.2, random_state=42)
# 创建朴素贝叶斯模型
gnb = GaussianNB()
# 训练模型
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(f"Accuracy: {accuracy * 100}%")
```
在这个例子中,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Gaussian Naive Bayes (高斯朴素贝叶斯)分类器,并用训练集对其进行训练。最后,我们在测试集上进行预测并计算了模型的精度。
阅读全文