朴素贝叶斯算法介绍和代码例程

朴素贝叶斯算法介绍：

朴素贝叶斯（Naive Bayes）是一种基于贝叶斯定理和特征条件独立假设的分类算法。它假设特征之间相互独立，通过计算给定类别下特征的概率来进行分类预测。朴素贝叶斯算法适用于文本分类、垃圾邮件过滤、情感分析等任务。

朴素贝叶斯算法的基本思想如下：

1. 使用训练数据计算各个特征在每个类别中出现的概率。
2. 根据特征条件独立性假设，将特征概率相乘得到类别的后验概率。
3. 选择具有最高后验概率的类别作为预测结果。

虽然朴素贝叶斯算法对特征独立性有较强的假设，但在实际应用中表现良好，并且具有计算效率高、易于实现等优点。

朴素贝叶斯代码例程：

以下是一个使用 Python 和 Scikit-learn 模块实现朴素贝叶斯分类的代码示例：

# 导入必要的库
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()
X, y = iris.data, iris.target

# 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对象
model = GaussianNB()

# 使用训练集训练模型
model.fit(X_train, y_train)

# 进行预测
y_pred = model.predict(X_test)

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

以上代码演示了如何使用朴素贝叶斯分类器对鸢尾花数据集进行训练和预测。您可以根据需要尝试不同的朴素贝叶斯变种（如多项式朴素贝叶斯、伯努利朴素贝叶斯）以及其他数据集。