朴素贝叶斯对鸢尾花数据进行分类

朴素贝叶斯是一种基于概率统计的分类方法，适用于多类别分类问题。在鸢尾花数据集中，我们可以使用朴素贝叶斯进行分类，以下是一个简单的代码示例：

import numpy as np
from sklearn.datasets import load_iris
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split

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

# 分割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)

# 创建朴素贝叶斯分类器
gnb = GaussianNB()

# 训练分类器
gnb.fit(X_train, y_train)

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

# 计算准确率
accuracy = np.mean(y_pred == y_test)
print("朴素贝叶斯分类器的准确率为: {:.2f}%".format(accuracy * 100))

在上面的代码中，我们首先加载鸢尾花数据集，然后将数据集分割为训练集和测试集。接着，我们创建一个 GaussianNB 类的对象 gnb，使用训练数据来训练分类器。最后，我们使用测试数据来预测分类结果，并计算准确率。

在这个简单的例子中，我们使用了 GaussianNB 类，它是一种基于高斯分布的朴素贝叶斯分类器。当然，在实际应用中，我们可能需要根据不同的数据集选择不同的朴素贝叶斯分类器。