使用朴素贝叶斯分类对二手房数据集进行分类

sklearn 的 naive_bayes 模块提供了 3 种朴素贝叶斯算法，分别是高斯朴素贝叶斯、多项式朴素贝叶斯和伯努利朴素贝叶斯。这 3 种算法适用于不同的场景，应该根据特征变量的不同选择不同的算法。

1. 高斯朴素贝叶斯：特征变量是连续变量，符合高斯分布，如人的身高、物体的长度。
2. 多项式朴素贝叶斯：特征变量是离散变量，符合多项式分布。例如，在文档分类中，特征变量体现在一个单词出现的次数或者单词的 TF-IDF 值等。
3. 伯努利朴素贝叶斯：特征变量是布尔变量，符合 0/1 分布，如在文档分类中特征是单词是否出现。

# 导入必要的库
import numpy as np
from sklearn import metrics
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
import matplotlib.pyplot as plt

# 转换数据并划分
X ,Y= [],[] 
fr = open("./knn.txt")
for line in fr.readlines():
    line = line.strip().split()
    X.append([int(line[