贝叶斯算法python案列

贝叶斯算法是一种基于概率统计的分类算法，它通过计算样本的后验概率来进行分类。在Python中，可以使用scikit-learn库来实现贝叶斯算法。

下面是一个简单的贝叶斯算法的Python案例：

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

# 加载鸢尾花数据集
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)

# 创建贝叶斯分类器对象
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)

这个案例使用了鸢尾花数据集，将数据集划分为训练集和测试集，然后使用GaussianNB类创建了一个贝叶斯分类器对象。接着，在训练集上训练模型，并在测试集上进行预测。最后，使用accuracy_score函数计算预测结果的准确率。