11.分类与监督学习，朴素贝叶斯分类算法

from sklearn.datasets import load_iris
#引入sklean的高斯贝叶斯，多项式型贝叶斯，伯努利型贝叶斯
from sklearn.naive_bayes import GaussianNB, MultinomialNB, BernoulliNB
#引入sklean的交叉验证分数
from sklearn.model_selection import cross_val_score
# 鸢尾花数据集
iris = load_iris()
# 鸢尾花花瓣长度数据
data = iris[‘data‘]
# 分类结果
target = iris[‘target‘]
# 高斯分布型
gnb_model = GaussianNB()  # 构建高斯分布模型
gnb_model.fit(data, target)  # 训练模型
gnb_pre = gnb_model.predict(data)  # 预测模型
print("高斯贝叶斯的预测结果",gnb_pre)
gnb_result=sum(gnb_pre == target) / len(data)
print("高斯分布模型准确率为：%.3F" %gnb_result )
# 进行交叉验证
# cross_val_score(训练数据，测试数据，验证次数)
gnb_score = cross_val_score(gnb_model, data, target, cv=10)
print(‘经过十轮交叉验证过的高斯分布模型的精确率：%.3F‘ % gnb_score.mean())


# 多项式型贝叶斯
mnb_model = MultinomialNB()  # 构建多项式模型
mnb_model.fit(data, target)  # 训练模型
mnb_pre = mnb_model.predict(data)  # 预测模型
print("多项式型贝叶斯的预测结果",mnb_pre)
mnb_result=sum(mnb_pre == target) / len(data)
print("多项式模型准确率为：%.3F" % mnb_result)
mnb_score = cross_val_score(mnb_model, data, target, cv=10)
print(‘经过十轮交叉验证过的多项式贝叶斯模型的精确率：%.3F‘ % mnb_score.mean())

# 伯努利型
bnb_model = BernoulliNB()  # 构建伯努利模型
bnb_model.fit(data, target)  # 训练模型
bnb_pre = bnb_model.predict(data)  # 预测模型
print("伯努利贝叶斯的预测结果",bnb_pre)
bnb_result=sum(bnb_pre == target) / len(data)
print("伯努利贝叶斯模型准确率为：%.3F" % bnb_result)
bnb_score = cross_val_score(bnb_model, data, target, cv=10)
print(‘经过十轮交叉验证过的伯努利贝叶斯模型的精确率：%.3F‘ % bnb_score.mean())