Классифицировать по наивному байесовскому классификатору, вывести точность и график с результатами классификации

XY = np.vstack([salmon, seabass, pike, carp])
annotacion1 = [0] * 513
annotacion2 = [1] * 513
annotacion3 = [2] * 513
annotacion4 = [3] * 513
 
annotacions = annotacion1 + annotacion2 + annotacion3 + annotacion4
data, ident = shuffle(XY, annotacions)
test_size = int(len(data) * 0.4)
Xtrain = data[:test_size]
Ytrain = ident[:test_size]
Xtest = data[test_size:]
Ytest = ident[test_size:]
 
classifiers = {
    "kNN": KNeighborsClassifier(n_neighbors = 15)
    
}
 
 
 
for name, clf in classifiers.items():
    
    clf.fit(Xtrain, Ytrain)
 
    x_min, x_max = data[:, 0].min() - 1, data[:, 0].max() + 1
    y_min, y_max = data[:, 1].min() - 1, data[:, 1].max() + 1
 
    x_lim = np.arange(x_min, x_max, .01)
    y_lim = np.arange(y_min, y_max, .01)
    xx, yy = np.meshgrid(x_lim, y_lim)
 
    Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
    
    plt.contourf(xx, yy, Z)
    scatter = plt.scatter(data[:, 0], data[:, 1], c = ident, edgecolor = "black", s = 7)
    handles = scatter.legend_elements()[0]
    labels = ['Лосось', 'Окунь', 'Щука','Карп']
    plt.legend(handles, labels)
                      
    plt.xlim(x_min, x_max)
    plt.ylim(y_min, y_max)
                      
    result = clf.predict(Xtest)
    print(name, 'Точность:{0:.3f}' . format(accuracy_score(Ytest, result)))
    plt.show()