本章内容非常适合有些同学想要从事机器人开发的，我们在正式开始学习之前，一定是先对基础的内容进行了解，包括函数，方法，语法等等，当然还有我们本章要让大家接触的算法，重要的，也是经常会在机器上面遇到的sklearn算法，肯定有很多人不了解吧，那就一起来看下吧~

　　1、高斯朴素贝叶斯 (GaussianNB)

　　介绍如何使用sklearn来实现GaussianNB

　　from sklearn import datasets

　　iris = datasets.load_iris()

　　from sklearn.naive_bayes import GaussianNB

　　gnb = GaussianNB()

　　y_pred = gnb.fit(iris.data, iris.target).predict(iris.data)

　　print("Number of mislabeled points out of a total %d points : %d"

　　% (iris.data.shape[0],(iris.target != y_pred).sum()))

　　2、多项式朴素贝叶斯 (MultinomialNB/MNB)

　　随机生成一组数据，然后使用MultinomialNB算法来学习。

　　import numpy as np

　　X = np.random.randint(50, size=(1000, 100))

　　y = np.random.randint(6, size=(1000))

　　填写下面表单即可预约申请免费试听java课程!害怕学不会?助教全程陪读，随时解惑!担心就业?一地学习，可全国推荐就业!

　　from sklearn.naive_bayes import MultinomialNB

　　clf = MultinomialNB()

　　clf.fit(X, y)

　　print(clf.predict(X[2:3]))

　　3. 伯努利朴素贝叶斯 (BernoulliNB)

　　BernoulliNB实现了基于多元伯努利分布的数据的朴素贝叶斯训练和分类算法

　　案例:

　　import numpy as np

　　X = np.random.randint(50, size=(1000, 100))

　　y = np.random.randint(6, size=(1000))

　　from sklearn.naive_bayes import BernoulliNB

　　clf = BernoulliNB()

　　clf.fit(X, Y)

　　print(clf.predict(X[2:3]))

　　4. 决策树

　　决策树作为十大经典算法之一，能够很好的处理多分类问题。

　　决策树的sklearn接口：

　　class sklearn.tree.DecisionTreeClassifier(criterion=’gini’, splitter=’best’, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, class_weight=None, presort=False)

　　好啦，以上就是关于sklearn里面的算法使用了哦~大家如果想了解机器人学习的可以多多看下哦~