朴素贝叶斯及python测试

from sklearn.datasets import load_breast_cancer
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import BernoulliNB,GaussianNB,MultinomialNB
import numpy as np

#朴素贝叶斯
#概念：基于贝叶斯定理与特征条件独立假设的分类方法
#先验概率：通过经验来判断事情发生的概率，比如说“癌症”的发病率是万分之一，就是先验概率。
#后验概率：后验概率就是发生结果之后，推测原因的概率。比如说某人查出来了患有“癌症”，
#那么患病的原因可能是 A、B 或 C。**患有“癌症”是因为原因 A 的概率就是后验概率。**它是属于条件概率的一种。
#条件概率：事件 A 在另外一个事件 B 已经发生条件下的发生概率，表示为 P(A|B)。比如原因 A 的条件下，患有“癌症”的概率，就是条件概率。
#贝叶斯定理：P(A|B)=P(B|A)*P(A)/P(B)

def naive_bayes():
    #导入威斯康星乳腺肿瘤数据集
    cancer=load_breast_cancer()

    #将数据集拆分为训练数据集和测试数据集
    x_train,x_test,y_train,y_test=train_test_split(cancer.get('data'),cancer.get('target'),random_state=38)

    #使用高斯朴素贝叶斯建模
    #高斯朴素贝叶斯适合特征符合正态分布的数据
    gnb=GaussianNB()
    gnb.fit(x_train,y_train)
    print("高斯训练集得分:{}".format(gnb.score(x_train,y_train)))
    print("高斯测试集得分:{}".format(gnb.score(x_test, y_test)))

    #贝努利朴素贝叶斯
    #适合二项分布或0-1分布
    bnb=BernoulliNB()
    bnb.fit(x_train,y_train)
    print("二项式训练集得分:{}".format(bnb.score(x_train,y_train)))
    print("二项式测试集得分:{}".format(bnb.score(x_test, y_test)))

    #多项式朴素贝叶斯
    #适合多个分类的数据集
    mnb=MultinomialNB()
    mnb.fit(x_train,y_train)
    print("多项式训练集得分:{}".format(mnb.score(x_train,y_train)))
    print("多项式测试集得分:{}".format(mnb.score(x_test, y_test)))

    print("######################")

    #酒的分类
    wine_dataset = load_wine()

    # random_state=0，每次生成的随机数不同
    # x代表数据集,y代表分类标签
    x_train, x_test, y_train, y_test = train_test_split(wine_dataset["data"], wine_dataset["target"], random_state=0)

    # 创建贝叶斯分类模型
    gnb = GaussianNB()
    gnb.fit(x_train, y_train)

    # 测试模型得分
    score = gnb.score(x_test, y_test)
    print(score)
    score=gnb.score(x_train,y_train)
    print(score)

    # 使用模型完成预测
    x_news = np.array([[13.2, 2.77, 2.51, 18.5, 96.6, 1.04, 2.55, 0.57, 1.47, 6.2, 1.05, 3.33, 820]])
    prediction = gnb.predict(x_news)
    print(wine_dataset["target_names"][prediction])