sklearn实现贝叶斯分类器

scikit-learn提供了朴素贝叶斯分类器的实现，主要分为三种：高斯朴素贝叶斯分类器、多项式朴素贝叶斯分类器和伯努利朴素贝叶斯分类器。

以高斯朴素贝叶斯分类器为例，sklearn的实现步骤如下：

1. 导入模块

from sklearn.naive_bayes import GaussianNB

2. 创建分类器

clf = GaussianNB()

3. 训练模型

clf.fit(X_train, y_train)

其中，X_train表示训练数据集的特征矩阵，y_train表示训练数据集的标签。

4. 预测

y_pred = clf.predict(X_test)

其中，X_test表示测试数据集的特征矩阵，y_pred表示预测的标签。

完整代码示例：

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

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建分类器
clf = GaussianNB()

# 训练模型
clf.fit(X_train, y_train)

# 预测
y_pred = clf.predict(X_test)

# 输出准确率
print("Accuracy:", clf.score(X_test, y_test))

输出：

Accuracy: 1.0

以上就是sklearn实现高斯朴素贝叶斯分类器的步骤。对于多项式朴素贝叶斯分类器和伯努利朴素贝叶斯分类器，其实现步骤与高斯朴素贝叶斯分类器类似，只是模型的参数不同。