朴素贝叶斯分类python

朴素贝叶斯是一种基于概率统计的分类方法，它的主要思想是根据已知类别的数据集学习每个特征在不同类别下出现的概率，然后利用贝叶斯公式计算待分类样本属于每个类别的概率，最后将概率最大的类别作为该样本的分类。

在Python中，我们可以使用scikit-learn库来实现朴素贝叶斯分类。以下是一个简单的示例：

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

# 加载鸢尾花数据集
iris = load_iris()
X, y = iris.data, iris.target

# 划分训练集和测试集
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
clf = GaussianNB()

# 在训练集上拟合模型
clf.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = clf.predict(X_test)

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

在上面的示例中，我们使用了鸢尾花数据集作为示例数据集，通过调用`GaussianNB`类创建一个高斯朴素贝叶斯分类器。然后，我们将数据集划分为训练集和测试集，并在训练集上拟合模型。最后，我们使用测试集进行预测，并计算准确率。