1、案例背景 通过机器学习我们希望能快速预测肿瘤的性质 2、读取数据 3、划分特征变量和目标变量 4、划分训练集和测试集 5、使用高斯朴素贝叶斯模型预测 6、查看测试集数据对预测准确度编写完整python代码

案例背景：在医学领域，利用机器学习技术可以帮助医生快速分析病理切片图像，预测肿瘤是否恶性，提高诊断效率。

以下是使用Python进行肿瘤性质预测的简化代码示例：

# 导入所需库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score

# 1. 读取数据 (假设data.csv是CSV文件)
data = pd.read_csv('data.csv')

# 2. 划分特征变量（X）和目标变量（y）
X = data.drop('target', axis=1) # 假设最后一列是标签
y = data['target']

# 3. 划分训练集和测试集（70%用于训练，30%用于测试，这里用随机状态保持结果一致）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 4. 使用高斯朴素贝叶斯模型
gnb_model = GaussianNB()

# 5. 训练模型
gnb_model.fit(X_train, y_train)

# 6. 预测测试集
y_pred = gnb_model.predict(X_test)

# 7. 查看预测准确度
accuracy = accuracy_score(y_test, y_pred)
print("测试集预测准确度:", accuracy * 100, "%")

#