朴素贝叶斯经典实例代码

朴素贝叶斯是一种基于贝叶斯定理的分类方法，它假设特征之间相互独立。朴素贝叶斯算法在处理文本分类、垃圾邮件过滤等问题上表现优秀。下面是一个使用Python和scikit-learn库实现朴素贝叶斯分类器的经典实例代码：

from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn import metrics
import pandas as pd

# 假设你有一个名为 'dataset.csv' 的数据集，其中包含特征和目标变量
df = pd.read_csv('dataset.csv')

# 分离特征和目标变量
X = df.drop('target', axis=1)
y = df['target']

# 将数据集划分为训练集和测试集
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实例
gnb = GaussianNB()

# 训练模型
gnb.fit(X_train, y_train)

# 对测试集进行预测
y_pred = gnb.predict(X_test)

# 评估模型性能
print("Accuracy:", metrics.accuracy_score(y_test, y_pred))

这段代码首先从数据集中分离出特征和目标变量，然后将数据集划分为训练集和测试集。接着，创建一个朴素贝叶斯分类器实例并使用训练数据对其进行训练。最后，使用测试数据对模型进行评估，输出模型的准确率。

请注意，这只是一个简单的示例，实际应用中可能需要对数据进行预处理（如特征缩放），并可能需要调整模型的参数以优化性能。此外，对于非数值型数据，可能需要使用其他类型的朴素贝叶斯分类器（如多项式朴素贝叶斯）。