用matlab代码实现朴素贝叶斯分类器,要求如下:1.导入鸢尾花数据集； 2.分别取三个类中每个类的40个样本作为训练集，10个样本作为测试集； 3.计算每个类的概率密度函数，即每个类的样本均值与方差（假设样本特征数据满足高斯分布）； 4.将测试样本带入每个类的概率密度函数，并判断该样本属于哪个类别； 5.计算精确率，召回率，F度量。请按照 iris = load('C:\Users\86187\Desktop\Iris (1).csv')续写，并把所有数据显示出来。

好的，以下是按照给定的路径导入鸢尾花数据集的代码和步骤，并将所有数据显示出来：

1. 导入鸢尾花数据集

iris = load('C:\Users\86187\Desktop\Iris (1).csv'); % 导入鸢尾花数据集

2. 分别取三个类中每个类的40个样本作为训练集，10个样本作为测试集

% 将数据集分为训练集和测试集
train_data = []; % 训练集
train_label = []; % 训练集标签
test_data = []; % 测试集
test_label = []; % 测试集标签

for i = 1:3 % 遍历三个类别
    data = iris(iris(:,5)==i,:); % 取出当前类别的所有样本
    train_data = [train_data; data(1:40,1:4)]; % 取前40个样本作为训练集
    train_label = [train_label; repmat(i-1, 40, 1)]; % 对应标签为0、1、2
    test_data = [test_data; data(41:50,1:4)]; % 取后10个样本作为测试集
    test_label = [test_label; repmat(i-1, 10, 1)]; % 对应标签为0、1、2
end

3. 计算每个类的概率密度函数，即每个类的样本均值与方差（假设样本特征数据满足高斯分布）

% 计算每个类别的概率密度函数的均值和方差
mu = zeros(3, 4); % 每个类别的均值
sigma = zeros(3, 4); % 每个类别的方差

for i = 1:3 % 遍历三个类别
    data = train_data(train_label == i-1,:); % 取出当前类别的样本
    mu(i,:) = mean(data); % 计算均值
    sigma(i,:) = var(data); % 计算方差
end

4. 将测试样本带入每个类的概率密度函数，并判断该样本属于哪个类别

% 对每个测试样本进行分类
predicted_label = zeros(size(test_data, 1), 1); % 预测的标签

for i = 1:size(test_data, 1) % 遍历每个测试样本
    x = test_data(i,:); % 取出当前测试样本
    % 计算当前测试样本在每个类别下的概率密度函数值
    p = zeros(3, 1); % 每个类别的概率密度函数值
    for j = 1:3 % 遍历三个类别
        p(j) = prod(normpdf(x, mu(j,:), sqrt(sigma(j,:)))); % 计算概率密度函数值
    end
    [~, idx] = max(p); % 取概率密度函数值最大的类别
    predicted_label(i) = idx-1; % 对应标签为0、1、2
end

5. 计算精确率，召回率，F度量，并将所有数据显示出来

% 计算分类指标
accuracy = sum(predicted_label == test_label) / length(test_label); % 准确率
precision = zeros(3, 1); % 精确率
recall = zeros(3, 1); % 召回率
f_measure = zeros(3, 1); % F度量

for i = 1:3 % 遍历三个类别
    TP = sum(predicted_label == i-1 & test_label == i-1); % 真正例
    FP = sum(predicted_label == i-1 & test_label ~= i-1); % 假正例
    FN = sum(predicted_label ~= i-1 & test_label == i-1); % 假反例
    TN = sum(predicted_label ~= i-1 & test_label ~= i-1); % 真反例
    precision(i) = TP / (TP + FP); % 精确率
    recall(i) = TP / (TP + FN); % 召回率
    f_measure(i) = 2 * precision(i) * recall(i) / (precision(i) + recall(i)); % F度量
end

mean_precision = mean(precision); % 平均精确率
mean_recall = mean(recall); % 平均召回率
mean_f_measure = mean(f_measure); % 平均F度量

% 显示所有数据
disp(['Train data: ', num2str(size(train_data))]);
disp(['Train label: ', num2str(size(train_label))]);
disp(['Test data: ', num2str(size(test_data))]);
disp(['Test label: ', num2str(size(test_label))]);
disp(['Predicted label: ', num2str(size(predicted_label))]);
disp(['Accuracy: ', num2str(accuracy)]);
disp(['Precision: ', num2str(precision')]);
disp(['Recall: ', num2str(recall')]);
disp(['F-measure: ', num2str(f_measure')]);
disp(['Mean precision: ', num2str(mean_precision)]);
disp(['Mean recall: ', num2str(mean_recall)]);
disp(['Mean F-measure: ', num2str(mean_f_measure)]);

这样就完成了朴素贝叶斯分类器的实现，并将所有数据显示出来。注意，这里的 iris 数据集包含了四个特征和一个标签，因此需要在代码中进行相应的处理。