朴素贝叶斯机器学习python

朴素贝叶斯是一种常用的机器学习算法，它基于贝叶斯定理和特征条件独立假设，用于分类和文本挖掘等任务。在Python中，我们可以使用scikit-learn库来实现朴素贝叶斯算法。

首先，我们需要导入相应的库和模块：

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

接下来，我们需要准备数据集。通常，数据集会包含特征和对应的标签。我们可以使用train_test_split函数将数据集划分为训练集和测试集：

# 准备数据集
X = [[1, 2], [2, 3], [3, 1], [6, 1], [7, 3]]
y = [0, 0, 0, 1, 1]

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

然后，我们可以创建一个朴素贝叶斯分类器，并使用训练集进行训练：

# 创建朴素贝叶斯分类器
model = GaussianNB()

# 训练模型
model.fit(X_train, y_train)

接下来，我们可以使用测试集进行预测，并计算准确率：

# 预测
y_pred = model.predict(X_test)

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

以上就是使用Python实现朴素贝叶斯算法的简单介绍。