机器学习根据课本上151的例题，（只考虑西瓜数据集3.0的离散 属性)，采用 sklearn 中的 CategoricalNB 方法预测测 试样本（测1）的属性。

在基于课本上第151例题的西瓜数据集（假设是3.0版本且仅包含离散属性）中，要使用`sklearn`库中的`CategoricalNB`（分类朴素贝叶斯）方法进行预测，你需要首先完成以下步骤：

1. **加载数据**：导入所需的模块并加载数据集。例如，你可以使用pandas库读取CSV文件：

   import pandas as pd
   from sklearn.datasets import load_iris
   data = load_iris()
   df = pd.DataFrame(data.data, columns=data.feature_names)
   target = data.target

2. **预处理数据**：由于`CategoricalNB`通常用于处理分类特征，我们需要将离散属性转换为类别型。如果数据已经是类别，可以跳过这一步：

   if not all(isinstance(df[col], pd.Categorical) for col in df.columns):
       df = pd.Categorical(df, categories=data['target_names'], ordered=False)
       df = df.astype('category')

3. **分割数据**：通常我们会把数据分为训练集和测试集。这里我们假设已经划分好，只有测试样本（测1）需要预测：

   X_train, X_test = df.iloc[:len(target) - 1], df.iloc[len(target) - 1]
   y_train, _ = target[:-1], target[-1:]

4. **创建模型**：

   from sklearn.naive_bayes import CategoricalNB
   classifier = CategoricalNB()

5. **拟合模型**：

   classifier.fit(X_train, y_train)

6. **预测**：使用模型对测试样本（测1）进行预测：

   prediction = classifier.predict([X_test])
   print(f"预测结果：{prediction[0]}")

7. **评估**：虽然对于CategoricalNB来说，评估通常是通过查看分类报告等方法来进行，但在仅有单个样本的情况下，可能不需要做详细的评估。

注意：实际操作时，你需要确认数据是否已经按照书中的示例进行了预处理，因为题目没有提供具体的预处理细节。此外，朴素贝叶斯方法假定特征之间相互独立，如果数据特性之间有较强的相关性，该方法可能效果不佳。