貝葉斯的核心思想就是，誰的概率高就歸為哪一類。

貝葉斯推論

P(A):先驗概率。即在B事件發生之前，我們對A事件概率的一個判斷。

P(A|B)：后驗概率。即在B事件發生之后，我們對A事件概率的重新評估。

P(B|A)/P(B)：可能性函數。這是一個調整因子，使得預估概率更接近真實概率。

1、樸素貝葉斯實現鳶尾花分類

from sklearn.naive_bayes import MultionmialNB
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_irisx,y = load_iris(return_X_y=True)x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.2,random_state=42)
model = MultionmialNB()
model.fit(x_train,y_train)#訓練模型（統計先驗概率）
score = model.score(x_test,y_test)
print(score)#0.6666666666666666x_new=[[5,5,4,2],[1,1,4,3]]
y_predict = model.predict(x_new)
print(y_predict)#[1 2]

2、樸素貝葉斯實現葡萄酒數據集分類

from sklearn.naive_bayes import MultinomialNB
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_wine
x,y = load_wine(return_X_y=True)
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.25,random_state=42)
model = MultinomialNB()
model.fit(x_train,y_train)
print(model.score(x_test,y_test))#0.9111111111111111x_new = [[1,1,2,1,1,2,1,1,1,1,2,1,1]]
print(model.predict(x_new))#[1]