1、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（载入糖尿病数据集） 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 代码程序

在Python中，我们可以使用scikit-learn库来实现上述步骤，这里是一个简单的示例：

# 导入必要的库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score

# 1. 加载糖尿病数据集（假设数据集文件名为'diabetes.csv')
data = pd.read_csv('diabetes.csv')

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

# 3. 数据预处理，标准化特征值
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 4. 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 5. 创建并训练高斯朴素贝叶斯模型
gnb = GaussianNB()
gnb.fit(X_train, y_train)

# 6. 预测测试集并计算准确度
y_pred = gnb.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"预测准确度: {accuracy * 100}%")

#