11.理解分类与监督学习、聚类与无监督学习。

from sklearn.datasets import load_iris
from sklearn.naive_bayes import GaussianNB
from sklearn.naive_bayes import MultinomialNB
from sklearn.naive_bayes import BernoulliNB
from sklearn.model_selection import cross_val_score

# 引入鸢尾花数据集
iris = load_iris()

# 高斯分布型
g = GaussianNB()  # 建立模型
g_model = g.fit(iris.data, iris.target)  # 模型训练
g_pre = g_model.predict(iris.data)  # 预测模型
print("高斯分布模型准确率：", sum(g_pre == iris.target) / len(iris.target))

# 多项式型
m = MultinomialNB()
m_model = m.fit(iris.data, iris.target)
m_pre = m_model.predict(iris.data)
print("多项式模型准确率：", sum(m_pre == iris.target) / len(iris.target))

# 伯努利型
b = BernoulliNB()
b_model = b.fit(iris.data, iris.target)
b_pre = b.predict(iris.data)
print("伯努利模型准确率：", sum(b_pre == iris.target) / len(iris.target))

#交叉验证
print("\n------交叉验证------")
# 高斯分布型
g = GaussianNB()
g_scores = cross_val_score(g, iris.data, iris.target, cv=10)
print(‘高斯分布型精确度:%.2f‘ % g_scores.mean())

# 多项式型
m = MultinomialNB()
m_scores = cross_val_score(m, iris.data, iris.target, cv=10)
print(‘多项式型精确度:%.2f‘ % m_scores.mean())

# 伯努利型
b = BernoulliNB()
b_scores = cross_val_score(b, iris.data, iris.target, cv=10)
print(‘多项式型精确度:%.2f‘ % b_scores.mean())