贝叶斯分类 python

贝叶斯分类是一种常用的机器学习算法，它基于贝叶斯定理和特征之间的条件独立性假设。在Python中，你可以使用scikit-learn库来实现贝叶斯分类。

首先，你需要导入所需的库：

from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

然后，准备你的数据集。假设你有一个包含特征和相应类别标签的数据集，你可以将其拆分为训练集和测试集：

X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, random_state=42)

接下来，创建一个贝叶斯分类器对象并拟合训练数据：

classifier = GaussianNB()
classifier.fit(X_train, y_train)

然后，可以使用训练好的分类器对测试数据进行预测，并计算准确率：

y_pred = classifier.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy: %.2f%%" % (accuracy * 100))

这样就完成了贝叶斯分类的基本步骤。当然，在实际应用中，你可能还需要进行特征工程、调优参数等额外步骤来提高模型性能。