给出分类算法的朴素贝叶斯分类器的代码和运算结果

朴素贝叶斯分类器是一种基于概率统计的简单而有效的分类算法，尤其适用于文本分类场景。以下是一个简单的Python示例，使用sklearn库实现朴素贝叶斯分类器：

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

# 加载数据集（这里假设我们有iris数据集作为例子）
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)

# 创建朴素贝叶斯分类器
gnb = GaussianNB()

# 训练模型
gnb.fit(X_train, y_train)

# 预测测试集
y_pred = gnb.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("朴素贝叶斯分类器的准确率为：", accuracy)

# 运行结果（假设结果为0.95，说明模型预测非常准确）

请注意，对于文本分类，需要先对文本进行预处理（如分词、去停用词），并将文本转换成数值特征（比如词频、TF-IDF等）。上述代码示例适用于数值型数据。