本项目涵盖了贝叶斯和K近邻(KNN)两种经典机器学习分类算法的Python实现，旨在通过实际代码加深对理论的理解与应用。
尾花数据集是入门的经典数据集。Iris数据集是一个常用的分类实验数据集，由Fisher在1936年收集整理而成。Iris也称鸢尾花卉数据集，它包含三个类别，并且其中一个类别的样本与其他两个类别线性可分。假设鸢尾花数据集中各个类别的分布是正态的，可以尝试利用贝叶斯决策论原理来设计分类器：
1. 设计一个基于朴素贝叶斯算法的分类器。
2. 设计一个基于最近邻准则（KNN）的分类器。
相关资源包括代码实现和课程报告。具体来说，源码实现在于手撕贝叶斯和KNN以及使用工具包进行实现；而课程报告则主要包括以下部分：
一、问题描述
二、数据预处理：
1. 划分数据集
2. 数据可视化
三、模型基本原理：
1. 朴素贝叶斯算法的理论基础
2. KNN算法的基本概念和工作流程
四、贝叶斯分类器设计：
1. 算法的具体步骤说明
2. 结果输出展示与分析
五、KNN分类器设计：
1. K近邻方法的实现过程描述
2. 实验结果及性能评估报告
六、利用工具包进行模型构建：
1. 使用特定库来创建贝叶斯分类器
2. 利用同样的方式建立KNN分类器
5星
