11.分类与监督学习，朴素贝叶斯分类算法

 1 from sklearn.datasets import load_iris  # 导入数据集
 2 from sklearn.naive_bayes import GaussianNB, MultinomialNB, BernoulliNB  # 导入3种不同类型的朴素贝叶斯API
 3 from sklearn.model_selection import cross_val_score  # 交叉验证
 4 
 5 # 引入数据集
 6 iris = load_iris()
 7 # 分割数据集
 8 x = iris[‘data‘]
 9 y = iris[‘target‘]
10 
11 # 高斯分布型
12 GNB_model = GaussianNB()  # 构建模型
13 GNB_model.fit(x, y)  # 训练模型
14 GNB_pre = GNB_model.predict(x)  # 预测模型
15 # 进行交叉验证
16 GNB_score = cross_val_score(GNB_model, x, y, cv=10)
17 print("高斯分布型的朴素贝叶斯:")
18 print("模型的平均精度：%.3f\n" % GNB_score.mean())
19 
20 # 多项式型
21 MNB_model = MultinomialNB()  # 构建模型
22 MNB_model.fit(x, y)  # 训练模型
23 MNB_pre = MNB_model.predict(x)  # 预测模型
24 # 进行交叉验证
25 MNB_score = cross_val_score(MNB_model, x, y, cv=10)
26 print("多项式型的朴素贝叶斯:")
27 print("模型的平均精度：%.3f\n" % MNB_score.mean())
28 
29 # 伯努利型
30 BNB_model = BernoulliNB()  # 构建模型
31 BNB_model.fit(x, y)  # 训练模型
32 BNB_pre = BNB_model.predict(x)  # 预测模型
33 # 进行交叉验证
34 BNB_score = cross_val_score(BNB_model, x, y, cv=10)
35 print("伯努利型的朴素贝叶斯:")
36 print("模型的平均精度：%.3f\n" % BNB_score.mean())