python朴素贝叶斯算法代码

以下是一个简单的Python实现朴素贝叶斯算法的代码示例：

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score

# 读取数据
data = pd.read_csv('data.csv')

# 分离特征和标签
X = data.iloc[:, :-1]
y = data.iloc[:, -1]

# 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()

# 拟合模型
clf.fit(X_train, y_train)

# 预测结果
y_pred = clf.predict(X_test)

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

其中`data.csv`是包含特征和标签的数据文件，`GaussianNB`是高斯朴素贝叶斯分类器，`accuracy_score`是用于计算准确率的函数。

相关问题

用Python朴素贝叶斯算法案例代码运行

朴素贝叶斯分类是一种基于概率的简单而强大的机器学习算法，常用于文本分类、垃圾邮件检测等场景。以下是使用Python的`sklearn`库实现朴素贝叶斯分类的一个基础例子，假设我们要对鸢尾花数据集进行分类：

# 导入所需的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data  # 特征
y = iris.target  # 类别标签

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建朴素贝叶斯分类器实例
gnb = GaussianNB()

# 训练模型
gnb.fit(X_train, y_train)

# 预测
y_pred = gnb.predict(X_test)

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

# 示例代码完整运行结束后，你可以询问相关问题--

python朴素贝叶斯算法

朴素贝叶斯算法是一种分类算法，它基于贝叶斯定理和特征条件独立假设来计算给定特征下某个类别出现的概率。在Python中，可以使用scikit-learn库中的MultinomialNB类来实现朴素贝叶斯分类器。以下是一个简单的示例代码：

from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer

# 创建特征向量和目标变量
X = ['this is a good book', 'this is a bad book', 'this is not a book']
y = ['positive', 'negative', 'negative']

# 将文本转换为特征向量
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(X)

# 训练朴素贝叶斯分类器
clf = MultinomialNB()
clf.fit(X, y)

# 预测新样本的类别
new_sample = ['this is a not good book']
new_sample_vec = vectorizer.transform(new_sample)
print(clf.predict(new_sample_vec))

在上面的代码中，我们使用CountVectorizer将文本转换为特征向量，并使用MultinomialNB训练朴素贝叶斯分类器。最后，我们使用该分类器对新样本进行分类。