python中如何使用朴素贝叶斯算法

>from sklearn import datasets ##导入包中的数据
> iris=datasets.load_iris() ##加载数据
> iris.feature_names  ##显示特征名字
 ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
> iris.data   ##显示数据
 array([[ 5.1, 3.5, 1.4, 0.2],[ 4.9, 3. , 1.4, 0.2],[ 4.7, 3.2, 1.3, 0.2]............
> iris.data.size  ##数据大小 ---600个
> iris.target_names  ##显示分类的名字 
 array(['setosa', 'versicolor', 'virginica'], dtype='<U10')
> from sklearn.naive_bayes import GaussianNB ##导入高斯朴素贝叶斯算法
> clf = GaussianNB()    ##给算法赋一个变量，主要是为了方便使用
> clf.fit(iris.data, iris.target)  ##开始分类。对于量特别大的样本，可以使用函数partial_fit分类，避免一次加载过多数据到内存

> clf.predict(iris.data[0].reshape(1,-1)) ##验证分类。标红部分特别说明：因为predict的参数是数组，data[0]是列表，所以需要转换一下
array([0])
> data=np.array([6,4,6,2])   ##验证分类
> clf.predict(data.reshape(1,-1))
array([2])

##示例来在官方文档，详细说明见第一个例子
> import numpy as np
> X = np.random.randint(5, size=(6, 100)) ##返回随机整数值：范围[0,5) 大小6*100 6行100列
> y = np.array([1, 2, 3, 4, 5, 6])
> from sklearn.naive_bayes import MultinomialNB
> clf = MultinomialNB()
> clf.fit(X, y)
MultinomialNB(alpha=1.0, class_prior=None, fit_prior=True) 
> print(clf.predict(X[2]))
[3]

##示例来在官方文档，详细说明见第一个例子
> import numpy as np
> X = np.random.randint(2, size=(6, 100))
> Y = np.array([1, 2, 3, 4, 4, 5])
> from sklearn.naive_bayes import BernoulliNB
> clf = BernoulliNB()
> clf.fit(X, Y)
BernoulliNB(alpha=1.0, binarize=0.0, class_prior=None, fit_prior=True) 
> print(clf.predict(X[2]))
[3]