Python 贝叶斯模型实现：朴素贝叶斯分类器代码示例

下面是一个使用贝叶斯模型（朴素贝叶斯分类器）的简单 Python 代码示例：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score

# 创建数据集
data = {
    '有房': ['是', '否', '否', '是', '否', '否', '是', '否', '否', '否', '是', '是', '是'],
    '婚姻状况': ['单身', '已婚', '单身', '已婚', '离婚', '已婚', '离婚', '单身', '已婚', '单身', '已婚', '已婚', '已婚'],
    '拖欠贷款': ['no', 'no', 'no', 'no', 'yes', 'no', 'no', 'yes', 'no', 'yes', 'no', 'no', 'yes']
}

df = pd.DataFrame(data)

# 将数据集转换为数值型特征
df['有房'] = df['有房'].map({'是': 1, '否': 0})
df['婚姻状况'] = df['婚姻状况'].map({'单身': 0, '已婚': 1, '离婚': 2})
df['拖欠贷款'] = df['拖欠贷款'].map({'no': 0, 'yes': 1})

# 划分特征和标签
X = df[['有房', '婚姻状况']]
y = df['拖欠贷款']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建朴素贝叶斯分类器模型
model = GaussianNB()

# 在训练集上训练模型
model.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print('模型准确率:', accuracy)

这段代码使用了 pandas 库来创建和处理数据集，使用了 scikit-learn 库中的 GaussianNB 类来创建朴素贝叶斯分类器模型。最后使用了 accuracy_score 函数来计算模型的准确率。