朴素贝叶斯分类器python

朴素贝叶斯分类器是一种基于贝叶斯定理的分类算法，它假设特征之间相互独立，并且每个特征同等重要。在Python中，我们可以使用scikit-learn库中的朴素贝叶斯分类器来构建模型。下面是一个简单的朴素贝叶斯分类器的示例代码：

from sklearn.naive_bayes import GaussianNB
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建一个朴素贝叶斯分类器模型
model = GaussianNB()

# 训练模型
model.fit(X_train, y_train)

# 预测测试集结果
y_pred = model.predict(X_test)

# 计算模型准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

上述代码中，我们首先加载了Iris数据集，并将数据集拆分为训练集和测试集。然后，我们创建了一个GaussianNB对象，它是一个高斯朴素贝叶斯分类器。接着，我们使用训练数据来训练模型。最后，我们使用测试数据集来预测输出，并计算模型的准确率。