贝叶斯算法python代码讲解

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：

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。