贝叶斯分类算法代码实现

贝叶斯分类算法是一种基于概率统计的机器学习方法，它通过计算每个类别对给定特征的概率来进行预测。其基本思想是利用贝叶斯定理，即先验概率乘以条件概率等于后验概率。

下面是一个简单的Python代码示例，使用scikit-learn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
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(f"Accuracy: {accuracy}")

# 使用
# 对新样本进行分类，例如：
# new_sample = [some_features]
# prediction = gnb.predict([new_sample])

这个例子中，我们首先加载了Iris数据集，然后将其分为训练集和测试集，接着创建了一个高斯朴素贝叶斯分类器，并使用训练数据对其进行训练。最后，我们在测试集上进行预测并计算准确率。