使用训练集训练朴素贝叶斯分类模型，输出分类模型的准确度、召回率，python代码

以下是使用Python实现朴素贝叶斯分类模型，并输出模型准确率和召回率的代码：

from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score, recall_score
from sklearn.model_selection import train_test_split
import pandas as pd

# 读取数据
data = pd.read_csv('data.csv')

# 分割数据集
X = data.iloc[:, :-1]
y = data.iloc[:, -1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练朴素贝叶斯分类器
nb = MultinomialNB()
nb.fit(X_train, y_train)

# 预测测试集结果
y_pred = nb.predict(X_test)

# 计算准确率和召回率
accuracy = accuracy_score(y_test, y_pred)
recall = recall_score(y_test, y_pred, average='macro')

# 输出结果
print('准确率：', accuracy)
print('召回率：', recall)

需要注意的是，这里的数据集需要是经过预处理的数值型数据，且最后一列为分类标签。如有需要，还需对数据进行特征工程和归一化处理。