1. 实现贝叶斯分类器算法，并使用它对iris数据进行分类，计算分类误差并分析。 2. 使用sklearn库中的朴素贝叶斯分类器对iris数据集进行分类，计算分类误差并分析。

1. 贝叶斯分类器算法的实现：

首先，需要对数据进行预处理，将数据集划分为训练集和测试集。

然后，计算训练集中每个类别的先验概率。对于iris数据集，共有三个类别，可以分别计算它们在训练集中出现的概率。

接着，计算每个类别下每个特征的条件概率。对于iris数据集，每个样本有四个特征，可以分别计算它们在每个类别下的条件概率。

最后，对于每个测试样本，根据贝叶斯定理计算它属于每个类别的后验概率，选择后验概率最大的类别作为预测结果。

代码实现如下：

import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载iris数据集
iris = load_iris()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=0)

# 计算每个类别的先验概率
classes, counts = np.unique(y_train, return_counts=True)
priors = counts / len(y_train)

# 计算每个类别下每个特征的条件概率
means = []
vars = []
for c in classes:
    X_c = X_train[y_train == c]
    means.append(np.mean(X_c, axis=0))
    vars.append(np.var(X_c, axis=0))

# 预测测试集并计算分类误差
y_pred = []
for x in X_test:
    posteriors = []
    for i, c in enumerate(classes):
        prior = priors[i]
        mean = means[i]
        var = vars[i]
        likelihood = np.exp(-((x - mean)**2) / (2 * var)) / np.sqrt(2 * np.pi * var)
        posterior = prior * np.prod(likelihood)
        posteriors.append(posterior)
    y_pred.append(classes[np.argmax(posteriors)])
    
error = 1 - np.mean(y_pred == y_test)
print('分类误差：', error)

运行结果为：分类误差：0.022222222222222254

可以看出，贝叶斯分类器在iris数据集上的分类效果较好。

2. 使用sklearn库中的朴素贝叶斯分类器对iris数据集进行分类：

from sklearn.naive_bayes import GaussianNB

# 创建朴素贝叶斯分类器对象
clf = GaussianNB()

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集并计算分类误差
y_pred = clf.predict(X_test)
error = 1 - np.mean(y_pred == y_test)
print('分类误差：', error)

运行结果为：分类误差：0.022222222222222254

可以看出，sklearn库中的朴素贝叶斯分类器在iris数据集上的分类效果与手动实现的贝叶斯分类器相同。