朴素贝叶斯分类器python

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简单概率分类器。在Python中，可以使用scikit-learn库实现朴素贝叶斯分类器。下面是一个简单的示例：

from sklearn.naive_bayes import GaussianNB
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建模型，使用高斯朴素贝叶斯分类器
gnb = GaussianNB()

# 拟合模型
gnb.fit(X_train, y_train)

# 预测
y_pred = gnb.predict(X_test)

# 计算准确率
accuracy = gnb.score(X_test, y_test)
print("Accuracy:", accuracy)

在这个例子中，我们使用鸢尾花数据集来训练和测试模型。首先，我们加载数据集并将其分为训练集和测试集。然后，我们创建一个高斯朴素贝叶斯分类器，并使用训练集拟合模型。最后，我们使用测试集进行预测，并计算准确率。

需要注意的是，朴素贝叶斯分类器假设特征之间是独立的，这在实际应用中可能不成立。因此，在使用朴素贝叶斯分类器时，需要对数据集进行适当的预处理和特征选择，以确保模型的准确性。