鸢尾花python朴素贝叶斯

鸢尾花数据集是一个常用的分类问题数据集，可以用朴素贝叶斯分类算法进行分类。

以下是使用Python中的scikit-learn库实现朴素贝叶斯分类算法对鸢尾花数据集进行分类的代码示例：

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

# 加载鸢尾花数据集
iris = load_iris()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=0)

# 创建朴素贝叶斯分类器
gnb = GaussianNB()

# 训练模型
gnb.fit(X_train, y_train)

# 预测
y_pred = gnb.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)

print(f"朴素贝叶斯分类鸢尾花数据集的准确率为: {accuracy:.2f}")

输出结果为：

朴素贝叶斯分类鸢尾花数据集的准确率为: 0.98

以上代码中，我们首先使用`load_iris()`函数加载鸢尾花数据集，然后使用`train_test_split()`函数将数据集划分成训练集和测试集。接着，使用`GaussianNB()`函数创建基于高斯分布假设的朴素贝叶斯分类器，并使用`fit()`方法对模型进行训练。最后，使用`predict()`方法对测试集进行预测，并使用`accuracy_score()`函数计算分类准确率。