1.生成聚类数据集：样本数>500,4个聚类 2.对样本做归一化处理 3.划分测试训练样本集 3.选用伯努利，高斯，多项式朴素贝叶斯算法 4，画图展示分类结果

好的，以下是针对你的问题的解答：

1. 生成聚类数据集：可以使用`make_blobs()`函数来生成聚类数据集。例如，以下代码可以生成一个有500个样本，4个聚类的数据集：

   from sklearn.datasets import make_blobs
   
   X, y = make_blobs(n_samples=500, centers=4, random_state=42)

2. 归一化处理：可以使用`StandardScaler`类来对样本进行归一化处理。例如，以下代码可以对数据集`X`进行归一化处理：

   from sklearn.preprocessing import StandardScaler
   
   scaler = StandardScaler()
   X = scaler.fit_transform(X)

3. 划分测试训练样本集：可以使用`train_test_split()`函数来划分测试训练样本集。例如，以下代码可以将数据集分成70%的训练集和30%的测试集：

   from sklearn.model_selection import train_test_split
   
   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

4. 选用朴素贝叶斯算法：可以使用`BernoulliNB`、`GaussianNB`和`MultinomialNB`三种朴素贝叶斯算法中的任意一种。例如，以下代码使用`GaussianNB`算法来训练模型并进行预测：

   from sklearn.naive_bayes import GaussianNB
   
   model = GaussianNB()
   model.fit(X_train, y_train)
   y_pred = model.predict(X_test)

5. 画图展示分类结果：可以使用`matplotlib`库来画图展示分类结果。例如，以下代码可以画出训练集和测试集的散点图，并用不同颜色表示不同的聚类：

   import matplotlib.pyplot as plt
   
   plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap='viridis')
   plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred, cmap='viridis', marker='x')
   plt.show()

希望这些代码能对你有所帮助！