朴素贝叶斯python代码

以下是朴素贝叶斯分类器的Python代码：

from sklearn.naive_bayes import GaussianNB

# 构建数据集
X = [[1, 2], [2, 3], [3, 1], [4, 3]]
Y = [1, 1, 2, 2]

# 创建朴素贝叶斯分类器
clf = GaussianNB()

# 训练模型
clf.fit(X, Y)

# 预测新数据
print(clf.predict([[2, 2]]))

在这个例子中，我们使用 `GaussianNB` 类来创建一个高斯朴素贝叶斯分类器。我们使用一个简单的数据集来训练模型，并使用 `predict` 方法来预测新数据。

相关问题

高斯朴素贝叶斯python代码

高斯朴素贝叶斯是一种基于贝叶斯定理的概率分类算法，常用于文本分类、垃圾邮件过滤等场景。在Python中，我们可以使用scikit-learn库来实现高斯朴素贝叶斯模型。下面是一个简单的例子：

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（这里以Iris数据集为例）
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)

# 创建并训练高斯朴素贝叶斯模型
gnb = GaussianNB()
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("Accuracy:", accuracy)

# 使用方法示例（如果需要处理新样本）：
# new_data = [[...]]  # 新的数据点
# prediction = gnb.predict(new_data)

在这个代码片段中，我们首先加载了Iris数据集，然后划分了训练集和测试集，接着创建了一个GaussianNB模型，并使用训练数据对其进行拟合。最后，我们对测试集进行预测，并计算了模型的预测准确率。

朴素贝叶斯python代码实例垃圾邮件

好的，下面是一个朴素贝叶斯分类器的 Python 代码实例，用于分类垃圾邮件和非垃圾邮件：

import os
import io
import numpy as np
import pandas as pd
from collections import Counter
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 加载数据集
def load_data(path):
    data = []
    targets = []
    for filename in os.listdir(path):
        with io.open(os.path.join(path, filename), 'r', encoding='utf-8', errors='ignore') as f:
            data.append(f.read())
            if 'spm' in filename:
                targets.append(1)  # 垃圾邮件
            else:
                targets.append(0)  # 非垃圾邮件
    return data, targets

# 将邮件转换为词频向量
def vectorize(data):
    vectorizer = CountVectorizer()
    X = vectorizer.fit_transform(data)
    return X.toarray(), vectorizer.vocabulary_

# 训练模型
def train(X_train, y_train):
    clf = MultinomialNB()
    clf.fit(X_train, y_train)
    return clf

# 测试模型
def test(clf, X_test, y_test):
    y_pred = clf.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    precision = precision_score(y_test, y_pred)
    recall = recall_score(y_test, y_pred)
    f1 = f1_score(y_test, y_pred)
    return accuracy, precision, recall, f1

# 主函数
if __name__ == '__main__':
    # 加载数据集
    data, targets = load_data('./data')
    # 将数据集分为训练集和测试集
    split_point = int(0.8 * len(data))
    X_train, y_train = vectorize(data[:split_point])
    X_test, y_test = vectorize(data[split_point:])
    # 训练模型
    clf = train(X_train, y_train)
    # 测试模型
    accuracy, precision, recall, f1 = test(clf, X_test, y_test)
    print('Accuracy:', accuracy)
    print('Precision:', precision)
    print('Recall:', recall)
    print('F1 Score:', f1)

在这个代码实例中，我们使用了 `CountVectorizer` 将邮件转换为词频向量，然后使用 `MultinomialNB` 训练朴素贝叶斯分类器，并测试模型的准确率、精确率、召回率和 F1 Score。