朴素贝叶斯算法代码python鸢尾花

以下是使用朴素贝叶斯算法进行鸢尾花分类的 Python 代码：

import pandas as pd
from sklearn.datasets import load_iris
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 = load_iris()

# 将数据集转换为 Pandas DataFrame 格式
df = pd.DataFrame(data=iris.data, columns=iris.feature_names)
df['target'] = iris.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(df[iris.feature_names], df['target'], test_size=0.3, random_state=42)

# 创建朴素贝叶斯分类器
gnb = GaussianNB()

# 在训练集上拟合模型
gnb.fit(X_train, y_train)

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

# 计算模型的准确率
accuracy = accuracy_score(y_test, y_pred)

print('模型的准确率为：{:.2f}%'.format(accuracy * 100))

上述代码中，首先使用 `load_iris()` 函数加载鸢尾花数据集，然后将数据集转换为 Pandas DataFrame 格式。接着，使用 `train_test_split()` 函数将数据集分为训练集和测试集。然后，创建一个 GaussianNB 类的对象，即朴素贝叶斯分类器，并在训练集上拟合模型。最后，使用 `predict()` 函数在测试集上进行预测，并使用 `accuracy_score()` 函数计算模型的准确率。