编写一个朴素贝叶斯分类器，对鸢尾花数据进行分类； （1）通过调用scikit-learn库中的正态朴素贝叶斯分类器GaussianNB进行分类； （2）（选做）不调用GaussianNB函数，直接利用贝叶斯决策理论对鸢尾花数据进行分类。

首先，让我们来创建一个朴素贝叶斯分类器，并使用Python的scikit-learn库来处理鸢尾花数据集（Iris dataset）。这是一个经典的机器学习示例，其中包含了三种鸢尾花的数据，我们可以用它来演示如何应用朴素贝叶斯算法。

**步骤1：导入必要的库**

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score

**步骤2：加载鸢尾花数据集**

iris = datasets.load_iris()
X = iris.data
y = iris.target

**步骤3：数据分割（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)

**步骤4：使用`GaussianNB`进行分类**

gnb = GaussianNB()
gnb.fit(X_train, y_train)
y_pred_gnb = gnb.predict(X_test)

**步骤5：评估模型性能**

accuracy = accuracy_score(y_test, y_pred_gnb)
print("Accuracy with GaussianNB:", accuracy)

如果你想尝试不使用`GaussianNB`函数，而是直接应用贝叶斯决策理论，你需要手动计算每个特征的概率密度函数（PDF），然后基于贝叶斯公式计算给定特征值下属于每种类别的概率。这通常涉及到假设特征之间独立，以及选择合适的先验概率。但是，对于复杂的数据集，如鸢尾花数据，这样做会变得非常繁琐，所以直接使用`GaussianNB`这样的现成实现更为简便。

如果你想要深入了解这个过程，可以查阅相关的统计学教材或者在线教程，例如如何估计高维正态分布的参数。不过，在实际项目中，直接使用预置的库功能通常更高效。