基于朴素贝叶斯分类器的测试样本分类 python代码

下面是一个简单的基于朴素贝叶斯分类器的测试样本分类的 Python 代码：

import numpy as np
from sklearn.naive_bayes import GaussianNB

# 训练数据
X_train = np.array([[1, 2], [2, 3], [3, 4], [4, 5], [5, 6], [6, 7], [7, 8], [8, 9]])
y_train = np.array([0, 0, 0, 0, 1, 1, 1, 1])

# 测试数据
X_test = np.array([[1, 3], [2, 4], [3, 5], [4, 6]])

# 创建分类器并进行训练
clf = GaussianNB()
clf.fit(X_train, y_train)

# 对测试数据进行分类
y_pred = clf.predict(X_test)

# 输出预测结果
print(y_pred)

在上面的代码中，我们使用了 Scikit-learn 工具包中的高斯朴素贝叶斯分类器。首先，我们定义了训练数据和对应的标签，然后创建了一个分类器对象 clf，并使用 fit() 方法对训练数据进行训练。接下来，我们定义了测试数据 X_test，并使用 predict() 方法对其进行分类，最后输出预测结果 y_pred。