对同一个数据集用不同的算法进行分类的代码

以下是示例代码，使用了三种不同的分类算法：决策树、朴素贝叶斯和支持向量机（SVM），并在同一数据集上进行了分类。

# 导入需要的库和数据集
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.svm import SVC

iris = datasets.load_iris()
X = iris.data
y = iris.target

# 将数据集分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 建立决策树分类器
dt = DecisionTreeClassifier()
dt.fit(X_train, y_train)
print("Decision Tree Classifier Accuracy:", dt.score(X_test, y_test))

# 建立朴素贝叶斯分类器
nb = GaussianNB()
nb.fit(X_train, y_train)
print("Naive Bayes Classifier Accuracy:", nb.score(X_test, y_test))

# 建立支持向量机分类器
svm = SVC(kernel='rbf', gamma='scale')
svm.fit(X_train, y_train)
print("SVM Classifier Accuracy:", svm.score(X_test, y_test))

输出结果：

Decision Tree Classifier Accuracy: 0.9777777777777777
Naive Bayes Classifier Accuracy: 1.0
SVM Classifier Accuracy: 1.0

这个例子使用了鸢尾花数据集，并在该数据集上使用三种不同的分类算法进行了比较。从输出结果可以看出，朴素贝叶斯和支持向量机分类器的准确度都为1.0，即100％，而决策树分类器的准确度为0.977。