python调用库函数实现一个简单的二值贝叶斯分类器，然后，在此基础上，实现多值分 类器。并利用该程序，找一个公开数据集，测试系统的性能

以下是一个使用Python中的sklearn库实现一个简单的二值贝叶斯分类器的示例代码：

from sklearn.naive_bayes import BernoulliNB
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载数据集
iris = load_iris()

# 只使用前两个特征作为二值特征
X = iris.data[:, :2] > 0
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)

# 建立二值贝叶斯分类器
clf = BernoulliNB()

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 输出准确率
print("Accuracy:", accuracy_score(y_test, y_pred))

要实现多值分类器，可以使用MultinomialNB类。以下是一个使用sklearn库实现多值分类器的示例代码：

from sklearn.naive_bayes import MultinomialNB
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载数据集
iris = load_iris()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)

# 建立多值贝叶斯分类器
clf = MultinomialNB()

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 输出准确率
print("Accuracy:", accuracy_score(y_test, y_pred))

你可以在网上找一些公开数据集，例如UCI Machine Learning Repository中的数据集，测试这些分类器的性能。