python实现GNB预测模型

朴素贝叶斯分类器是一种基于贝叶斯定理和特征条件独立假设的分类方法。在Python中，可以使用sklearn库中的GaussianNB类来实现朴素贝叶斯分类器。具体实现步骤如下：
1. 导入GaussianNB类：from sklearn.naive_bayes import GaussianNB
2. 创建GaussianNB对象：GNB = GaussianNB()
3. 使用训练集对模型进行训练：GNB.fit(train,result_train)
4. 使用训练好的模型对测试集进行预测：GNB_pred = GNB.predict(test)
5. 计算模型的准确率、召回率和F1值：print("准确率：",metrics.precision_score(result_test, GNB_pred,average='binary'))，print("召回率：",metrics.recall_score(result_test, GNB_pred,average='binary'))，print("F 1 值：",metrics.f1_score(result_test, GNB_pred,average='binary'))
6. 绘制ROC曲线：计算绘图数据，y_score = GNB.predict_proba(test)[:,1]，fpr,tpr,threshold = metrics.roc_curve(result_test, y_score)，roc_auc = metrics.auc(fpr,tpr)，绘图
7. 绘制P-R曲线：构建绘制P-R曲线方法，precision, recall, _ = precision_recall_curve(y_test, probs)，绘图