“这是我参与更文挑战的第26天，活动详情查看： 更文挑战”
通过如下代码引入朴素贝叶斯模型（这里用的是高斯贝叶斯分类器）。
from sklearn.naive_bayes import GaussianNB
在Jupyter Notebook中引入该模型后，可以通过如下代码获取官方帮助文档内容。
GaussianNB?
朴素贝叶斯模型的简单演示代码如下。
from sklearn.naive_bayes import GaussianNB
X = [[1,2],[3,4],[5,6],[7,8],[9,10]]
y = [0,0,0,1,1]
model = GaussianNB()
model.fit(X,y)
print(model.predict([[5,5]]))
第2行代码中的X是特征变量，共有2个特征；第3行代码中的y是目标变量，共有2个类别——0和1；第5行代码引入模型；第6行代码用fit()函数训练模型；第8行代码用predict()函数进行预测。预测结果如下。
[0]
肿瘤预测模型（数据获取）
应用朴素贝叶斯模型来预测肿瘤为良性肿瘤还是恶性肿瘤。
肿瘤性质的判断影响着患者的治疗方式和痊愈速度。传统的做法是医生根据数十个指标来判断肿瘤的性质，预测效果依赖于医生的个人经验而且效率较低，而通过机器学习，我们有望能快速预测肿瘤的性质。
1．读取数据
首先通过如下代码导入某医院乳腺肿瘤患者的6个特征维度及肿瘤性质的数据。共569个患者，其中良性肿瘤358例、恶性肿瘤211例。
import pandas as pd
df = pd.read_excel('肿瘤数据.xlsx')
通过打印df.head()来查看前5行数据，结果见下表。
其中6个特征变量分别为“最大周长”“最大凹陷度”“平均凹陷度”“最大面积”“最大半径”“平均灰度值”。“最大周长”代表所有肿瘤中周长最大的3个值的平均值；“最大凹陷度”代表所有肿瘤中凹陷度最大的3个值的平均值；“平均凹陷度”代表所有肿瘤凹陷度的平均值；“最大面积”代表所有肿瘤中面积最大的3个值的平均值；“最大半径”代表所有肿瘤中半径最大的3个值的平均值；“平均灰度值”代表所有肿瘤图像灰度值的平均值。目标变量为“肿瘤性质”，0代表肿瘤为恶性，1代表肿瘤为良性。
为了方便演示，本案例只选取了6个特征变量，在医疗行业中实际用于判断肿瘤性质的特征变量要多得多。
2．划分特征变量和目标变量
通过如下代码将特征变量和目标变量分别提取出来。
X = df.drop(columns = '肿瘤性质')
y = df['肿瘤性质']
第1行代码用drop()函数删除“肿瘤性质”列，将剩下的数据作为特征变量赋给变量X；第2行代码通过DataFrame提取列的方式提取“肿瘤性质”列的数据作为目标变量，并赋给变量y。
