机器学习：朴素贝叶斯算法在离散数据集上的应用及其实现代码（带详细注释）

    import random
    import numpy as np
    # 使用基于类目特征的朴素贝叶斯
    from sklearn.naive_bayes import CategoricalNB
    from sklearn.model_selection import train_test_split
    
    
      
      
      
      
      
    

    # 模拟数据
    rng = np.random.RandomState(1) #随机数生成种子设置为“1”，确保别人和我自己的生成数字相同
    # 随机生成600个100维的数据，每一维的特征都是[0, 4]之前的整数
    X = rng.randint(5, size=(600, 100)) #相当于X=rng.randint(0，5, size=(600, 100)) ，其中0为最小值，（5-1）即4为最大值.
    y = np.array([1, 2, 3, 4, 5, 6] * 100) #y是一维数据，shape为[600]，其中1，2，3，4，5，6各有100个，并按顺序排列
    data = np.c_[