SKlearn实现鸢尾花数据集分类 ， 导入数据集 ， 切分训练集和测试集 ， 构建朴素贝叶斯分类器（注意根据数据特征选择合适的贝叶斯分类器） ，测试模型预测效果

在Python的Scikit-learn库中，实现鸢尾花数据集的分类通常分为以下几个步骤：

1. **导入必要的库**：

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

2. **加载鸢尾花数据集**：

iris = datasets.load_iris()

3. **预处理数据**：
- 获取特征（X）和目标变量（y）：

     X = iris.data
     y = iris.target

- 将数据集切分为训练集和测试集：

     X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

4. **构建朴素贝叶斯分类器**：
根据鸢尾花数据集的特点，它包含连续数值特征，适合使用`GaussianNB`（高斯朴素贝叶斯分类器），因为这个分类器假设特征服从正态分布：

   classifier = GaussianNB()

5. **拟合模型到训练数据**：

   classifier.fit(X_train, y_train)

6. **进行预测**：

   y_pred = classifier.predict(X_test)

7. **评估模型预测效果**：
使用accuracy_score计算预测准确率：

   accuracy = accuracy_score(y_test, y_pred)
   print("Accuracy:", accuracy)