给我一个数据集并在此数据集上做朴素贝叶斯问题代码实现

朴素贝叶斯分类器是一种基于概率的简单但强大的机器学习算法，它假设特征之间相互独立。我们可以使用Python的sklearn库来演示如何在一个数据集上应用朴素贝叶斯。这里我们以经典的鸢尾花数据集为例。

首先，你需要安装必要的库：

pip install pandas numpy sklearn

然后，使用`load_iris`函数加载鸢尾花数据集：

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)

接着，创建并训练朴素贝叶斯模型：

gnb = GaussianNB()  # 使用高斯朴素贝叶斯模型
gnb.fit(X_train, y_train)

预测测试集结果：

y_pred = gnb.predict(X_test)

最后，评估模型性能：

accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)