朴素贝叶斯后的天气预测代码

朴素贝叶斯算法是一种基于概率统计的分类模型，常用于文本分类、垃圾邮件识别等场景。对于天气预测这样的问题，我们可以构建一个简单的模型，假设输入特征包括历史天气数据（如温度、湿度、风速等）、季节、日期等，目标变量是预测未来的天气状况（晴天、阴天、雨天等）。以下是使用Python的sklearn库实现一个基本朴素贝叶斯天气预测的一个简略示例：

# 导入所需库
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
import pandas as pd

# 加载数据集
data = pd.read_csv('weather_data.csv') # 假设有个名为weather_data.csv的数据文件
X = data[['temperature', 'humidity', 'wind_speed', 'season', 'date']]
y = data['weather_condition']  # 目标变量

# 数据预处理（例如编码季节）
X['season'] = X['season'].astypecategory().cat.codes

# 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)

# 创建并训练朴素贝叶斯模型
gnb = GaussianNB()
gnb.fit(X_train, y_train)

# 预测天气
predictions = gnb.predict(X_test)

# 评估性能
accuracy = gnb.score(X_test, y_test)
print(f"Accuracy: {accuracy}")

#