朴素贝叶斯算法python实现例子

朴素贝叶斯算法是一种常用的分类算法，它基于贝叶斯定理和特征条件独立假设。在Python中，可以使用scikit-learn库来实现朴素贝叶斯算法。

下面是一个简单的朴素贝叶斯算法的Python实现例子：

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)

# 创建朴素贝叶斯分类器
model = GaussianNB()

# 在训练集上训练模型
model.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = model.predict(X_test)

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

在这个例子中，我们使用了鸢尾花数据集（load_iris）作为示例数据集。首先，我们将数据集划分为训练集和测试集，然后创建一个GaussianNB对象作为朴素贝叶斯分类器。接下来，我们使用训练集对模型进行训练，然后使用测试集进行预测，并计算准确率。