朴素贝叶斯做分类预测python例子

以下是一个简单的Python代码示例，使用朴素贝叶斯算法来训练和预测分类：

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

# 读取数据
data = pd.read_csv('data.csv')

# 分离特征和标签
X = data.drop('label', axis=1)
y = data['label']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建朴素贝叶斯分类器
model = GaussianNB()

# 训练模型
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

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

print("准确率：", accuracy)

其中，`data.csv`是包含特征和标签的数据文件。我们首先使用`pandas`库读取数据，然后将特征和标签分离开来。接着，我们使用`train_test_split`函数将数据划分为训练集和测试集。然后，我们创建一个朴素贝叶斯分类器，并使用训练集数据进行训练。最后，我们使用测试集数据进行预测，并计算模型的准确率。

请注意，这只是一个简单的示例，实际应用中，需要根据具体情况选择不同的朴素贝叶斯算法，以及进行特征工程等处理。