朴素算法写个python例子

朴素算法，也称为暴力算法，是一种简单直接的算法思想，通常用于解决一些简单的问题。下面是一个使用朴素算法实现的字符串匹配的Python例子：

def naive_string_matching(text, pattern):
    n = len(text)
    m = len(pattern)
    result = []

    for i in range(n - m + 1):
        j = 0
        while j < m and text[i + j] == pattern[j]:
            j += 1
        if j == m:
            result.append(i)

    return result

text = "ABABDABACDABABCABAB"
pattern = "ABABCABAB"
matches = naive_string_matching(text, pattern)
print("Pattern found at positions:", matches)

上述代码中，`naive_string_matching`函数接受两个参数：`text`表示待匹配的文本，`pattern`表示要查找的模式。函数通过两层循环遍历文本，逐个字符进行比较，如果找到了完全匹配的模式，则将匹配的起始位置添加到结果列表中。

相关问题

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。

朴素贝叶斯算法python

朴素贝叶斯算法是一种基于贝叶斯定理的分类算法，它假设特征之间相互独立，因此称为“朴素”。在Python中，我们可以使用scikit-learn库来实现朴素贝叶斯分类器。

以下是一个简单的示例代码，使用朴素贝叶斯算法对文本进行分类：

from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer

# 准备数据
X_train = ['This is the first document', 'This is the second document', 'This is the third document', 'This is the fourth document']
y_train = ['class1', 'class2', 'class1', 'class2']
X_test = ['This is the fifth document']

# 将文本转换为向量表示
vectorizer = CountVectorizer()
X_train_vec = vectorizer.fit_transform(X_train)
X_test_vec = vectorizer.transform(X_test)

# 训练朴素贝叶斯分类器
clf = MultinomialNB()
clf.fit(X_train_vec, y_train)

# 使用训练好的模型进行预测
y_pred = clf.predict(X_test_vec)
print(y_pred)

在这个例子中，我们使用了四个文本样本和两个类别（class1和class2）来训练模型。我们使用CountVectorizer将文本转换为向量表示，并使用MultinomialNB训练模型。最后，我们使用训练好的模型对一个新的文本进行分类，并输出预测结果。