朴素贝叶斯算法实现mnist数据集分类，，python实现，不用tensorflow

好的，以下是朴素贝叶斯算法实现mnist数据集分类的Python代码，不使用TensorFlow：

import numpy as np
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score
from sklearn.datasets import fetch_openml

# 加载数据集
mnist = fetch_openml('mnist_784')
x, y = mnist['data'], mnist['target']

# 将数据集分为训练集和测试集
x_train, x_test = x[:60000], x[60000:]
y_train, y_test = y[:60000], y[60000:]

# 创建高斯朴素贝叶斯分类器
clf = GaussianNB()

# 训练模型
clf.fit(x_train, y_train)

# 预测测试集数据
y_pred = clf.predict(x_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print('准确率为：', accuracy)

该代码首先使用`fetch_openml()`函数从scikit-learn库中加载MNIST数据集，然后将数据集分为训练集和测试集。接着，使用`GaussianNB()`函数创建一个高斯朴素贝叶斯分类器，并使用`fit()`函数训练模型。最后，使用`predict()`函数预测测试集数据，并使用`accuracy_score()`函数计算准确率。