使用sk-learn中的朴素贝叶斯算法对手写数字数据集进行分类

在Python的sklearn库中，朴素贝叶斯（Naive Bayes）是一种常用的机器学习算法，特别适合文本分类任务，但也可以用于其他类型的分类，比如图像分类。对于手写数字数据集（如MNIST），你可以按照以下步骤使用朴素贝叶斯：

1. **导入必要的库**：

   from sklearn.datasets import load_digits
   from sklearn.model_selection import train_test_split
   from sklearn.naive_bayes import GaussianNB
   from sklearn.metrics import accuracy_score

2. **加载数据**：

   digits = load_digits()
   X = digits.data  # 特征矩阵
   y = digits.target  # 类别标签

3. **数据预处理**（如果需要），例如标准化数值特征：

   from sklearn.preprocessing import StandardScaler
   scaler = StandardScaler()
   X_scaled = scaler.fit_transform(X)

4. **划分训练集和测试集**：

   X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

5. **创建并训练模型**：

   model = GaussianNB()  # 使用高斯朴素贝叶斯
   model.fit(X_train, y_train)

6. **预测和评估**：

   y_pred = model.predict(X_test)
   accuracy = accuracy_score(y_test, y_pred)
   print("Accuracy:", accuracy)