sklearn函数实现朴素贝叶斯算法

sklearn库提供了多种朴素贝叶斯算法的实现，其中常用的包括高斯朴素贝叶斯、多项式朴素贝叶斯和伯努利朴素贝叶斯。这里以多项式朴素贝叶斯为例：

from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer

# 训练集
X_train = ['Chinese Beijing Chinese', 'Chinese Chinese Shanghai', 'Chinese Macao', 'Tokyo Japan Chinese']
y_train = ['c', 'c', 'c', 'j']

# 测试集
X_test = ['Chinese Chinese Chinese Tokyo Japan']

# 特征提取器
vectorizer = CountVectorizer()

# 将训练数据转换成特征向量
X_train_vec = vectorizer.fit_transform(X_train)

# 创建朴素贝叶斯分类器
clf = MultinomialNB()

# 训练分类器
clf.fit(X_train_vec, y_train)

# 将测试数据转换成特征向量
X_test_vec = vectorizer.transform(X_test)

# 预测分类结果
y_pred = clf.predict(X_test_vec)

# 输出分类结果
print(y_pred)

这段代码中，我们首先定义了训练集和测试集，然后使用 `CountVectorizer` 将训练数据转换成特征向量。接着，我们创建了 `MultinomialNB` 朴素贝叶斯分类器，并使用训练数据进行训练。最后，将测试数据转换成特征向量，使用训练好的分类器进行预测，并输出分类结果。