数据挖掘（一）

系列文章目录

数据挖掘之初识数据挖掘（一）

---

---

前言

提示：这里可以添加本文要记录的大概内容：

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、分类实践任务起点

贝叶斯分类算法是统计学的一种分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Naïve Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，而且方法简单、分类准确率高、速度快。

基本流程

1读数据；
2数据划分；
3训练；
4模型评估；
5预测。

贝叶斯分类器本质上是同时考虑了先验概率和似然概率的重要性。
原理参考链接：link:贝叶斯分类器

代码示例

import sklearn
# 导入高斯朴素贝叶斯分类器
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split
import numpy as np
import pandas as pd

def knn_test():
    data_url = "/data/workspace/myshixun/step1/iris_train.csv"
    df = pd.read_csv(data_url)
    X = df.iloc[:,1:4]
    y=df.iloc[:,4]
    #将数据分成两部分训练集与测试集
    X_train, X_test, y_train, y_test = train_test_split(X, y