调用scikit-learn库实现朴素贝叶斯分类器。 附件数据是意大利三种酒的分类数据,包含了13种不同的酒的属性,共分成3类,分别标记为“1”、“2”、“3”。每行为一个样本数据,第一列为酒的种类,后13列为酒的属性,一共178个样本。 数据文件: wine_data.txt 数据集说明: wine_name.txt 要求:(1)补充完成下述代码中的空格部分; (2)对打印输出的结果进行分析说明。 import scipy as sp import numpy as np from sklearn.cross_validation import train_test_split from sklearn import metrics from sklearn.naive_bayes import GaussianNB x=np.loadtxt("wine_data.txt" , delimiter = "," , usecols=(1,2,3,4,5,6,7,8,9,10,11,12,13) ) #获取样本的属性集 y=np.loadtxt("wine_data.txt" , delimiter = "," , usecols=(0) ) #获取标样本的签集 #%% 0. 加载数据集,切分数据集80%训练,20%测试 #x_train、y_train为训练集,x_test、y_test为测试集 x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2) #%% 1. 调用GaussianNB分类器,假定数据服从正态分布 #1.1 训练学习 clf= # 1.2 测试 clf_predicted =clf. expected=y_test #期望输出 #print(y_test) #输出实际结果 #print(clf_predicted) #输出测试结果 #%% 2 结果报告输出 print(metrics.classification_report( , )) #输出结果,精确度、召回率、f-1分数 print( (expected, doc_class_predicted)) #混淆矩阵