python实现贝叶斯分类器算法

Python 中可以使用 `scikit-learn` 库中的 `GaussianNB` 类来实现高斯朴素贝叶斯 (Gaussian Naive Bayes) 分类器。这是一种基于概率统计的简单而强大的机器学习算法，它假设特征之间相互独立，并且每个特征都服从高斯分布。

以下是基本步骤：

1. **导入库**:

   from sklearn.naive_bayes import GaussianNB
   from sklearn.model_selection import train_test_split

2. **加载数据**:
使用 `pandas` 加载数据集并将其划分为特征（X）和目标变量（y）。

3. **拆分数据**:

   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. **创建模型**:

   model = GaussianNB()

5. **训练模型**:

   model.fit(X_train, y_train)

6. **预测**:

   predictions = model.predict(X_test)

7. **评估性能**:
使用 `accuracy_score`, `confusion_matrix` 等函数评估模型的表现。