python 朴素贝叶斯分类

朴素贝叶斯分类是一种基于贝叶斯定理和特征独立假设的分类算法。在Python中，我们可以使用scikit-learn库中的朴素贝叶斯分类器实现。

下面是一个简单的朴素贝叶斯分类的示例代码：

from sklearn.naive_bayes import GaussianNB
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载iris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=0.3, random_state=0)

# 创建一个高斯朴素贝叶斯分类器
clf = GaussianNB()

# 训练分类器
clf.fit(X_train, y_train)

# 预测测试集的结果
y_pred = clf.predict(X_test)

# 输出预测准确率
print("Accuracy:", clf.score(X_test, y_test))

在上面的代码中，我们首先使用`load_iris()`函数加载iris数据集，然后使用`train_test_split()`函数将数据集划分为训练集和测试集。接着，我们创建一个`GaussianNB`对象作为高斯朴素贝叶斯分类器，并使用`fit()`方法训练分类器。最后，我们使用`predict()`方法对测试集进行分类，并使用`score()`方法计算预测准确率。

需要注意的是，朴素贝叶斯分类器通常适用于文本分类等高维度问题，而对于低维度问题，如上例中的iris数据集，其他分类算法如决策树、支持向量机等可能更为适用。