朴素贝叶斯分类器的Python代码，用于汽车满意度数据集的分类，购买价格，保养价格，门的个数，载客数，车身的大小，安全等级，汽车满意度

import pandas as pd
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 读取数据集
data = pd.read_csv('car_satisfaction.csv')

# 将数据集分成特征和目标变量
X = data.iloc[:, :-1]
y = data.iloc[:, -1]

# 将特征变量进行独热编码
X = pd.get_dummies(X)

# 将数据集分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建朴素贝叶斯分类器
classifier = GaussianNB()

# 在训练集上训练分类器
classifier.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = classifier.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)

print('准确率：', accuracy)

相关问题

朴素贝叶斯分类器的Python代码，用于汽车满意度数据集的分类，数据集特征有购买价格，保养价格，门的个数，载客数，车身的大小，安全等级，汽车满意度（unacc,accc）

以下是朴素贝叶斯分类器的Python代码，用于汽车满意度数据集的分类：

import pandas as pd
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载数据集
data = pd.read_csv('car.csv')

# 将字符型特征转换为数值型
data['buying'] = pd.factorize(data['buying'])[0]
data['maint'] = pd.factorize(data['maint'])[0]
data['doors'] = pd.factorize(data['doors'])[0]
data['persons'] = pd.factorize(data['persons'])[0]
data['lug_boot'] = pd.factorize(data['lug_boot'])[0]
data['safety'] = pd.factorize(data['safety'])[0]
data['class'] = pd.factorize(data['class'])[0]

# 划分特征和标签
X = data.iloc[:, :-1]
y = data.iloc[:, -1]

# 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)

# 训练模型
model = GaussianNB()
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)

print('准确率：', accuracy)

在上述代码中，我们首先加载了汽车满意度数据集，然后将字符型特征转换为数值型。接着，我们划分了特征和标签，并将数据集划分为训练集和测试集。然后，我们使用朴素贝叶斯分类器进行训练，并预测测试集。最后，我们计算了准确率并输出结果。

需要注意的是，上述代码中使用的是高斯朴素贝叶斯分类器（GaussianNB），它适用于连续型特征。如果数据集中存在离散型特征，应该使用多项式朴素贝叶斯分类器（MultinomialNB）。

朴素贝叶斯分类器python代码

朴素贝叶斯分类器（Naive Bayes Classifier）是一种常见的机器学习算法，用于分类问题。下面是一个简单的朴素贝叶斯分类器的Python代码示例：

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

# 加载数据集
iris = load_iris()
X = iris.data
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)

# 创建模型并训练
model = GaussianNB()
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

# 输出预测结果
print("预测结果：", y_pred)