基于朴素贝叶斯对wine数据集分类实验代码

基于朴素贝叶斯的wine数据集分类实验代码如下：

# 导入所需库
import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score

# 加载wine数据集
wine = datasets.load_wine()
X = wine.data
y = wine.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)

# 初始化朴素贝叶斯分类器
nb_classifier = GaussianNB()

# 训练模型
nb_classifier.fit(X_train, y_train)

# 预测
y_pred = nb_classifier.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f'朴素贝叶斯分类器在wine数据集上的准确率为: {accuracy}')

以上代码先加载wine数据集，然后将数据集分为训练集和测试集。接着初始化朴素贝叶斯分类器，并在训练集上训练模型。最后对测试集进行预测，并计算预测准确率。这段代码展示了如何使用朴素贝叶斯算法对wine数据集进行分类，并得到分类准确率。