快捷導(dǎo)航

Python機(jī)器學(xué)習(xí)應(yīng)用之樸素貝葉斯篇

更新時(shí)間：2022年01月18日 17:10:54 作者：柚子味的羊

樸素貝葉斯模型是一組非常簡(jiǎn)單快速的分類算法,通常適用于維度非常高的數(shù)據(jù)集。因?yàn)檫\(yùn)行速度快,而且可調(diào)參數(shù)少,因此非常適合為分類問(wèn)題提供快速粗糙的基本方案

樸素貝葉斯（Naive Bayes，NB）：樸素貝葉斯分類算法是學(xué)習(xí)效率和分類效果較好的分類器之一。樸素貝葉斯算法一般應(yīng)用在文本分類，垃圾郵件的分類，信用評(píng)估，釣魚網(wǎng)站檢測(cè)等。

1、鳶尾花案例

#%%庫(kù)函數(shù)導(dǎo)入
import warnings
warnings.filterwarnings('ignore')
import numpy as np
# 加載鶯尾花數(shù)據(jù)集
from sklearn import datasets
# 導(dǎo)入高斯樸素貝葉斯分類器
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split
#%%數(shù)據(jù)導(dǎo)入&分析
X, y = datasets.load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
#%%查看數(shù)據(jù)集
print(X)#特征集
print(y)#現(xiàn)象
#%%模型訓(xùn)練
# 假設(shè)每個(gè)特征都服正態(tài)分布，使用高斯樸素貝葉斯進(jìn)行計(jì)算
clf = GaussianNB(var_smoothing=1e-8)
clf.fit(X_train, y_train)
#%%模型預(yù)測(cè)
# 評(píng)估
y_pred = clf.predict(X_test)
acc = np.sum(y_test == y_pred) / X_test.shape[0]
print("Test Acc : %.3f" % acc)

# 預(yù)測(cè)
#對(duì)第一行數(shù)據(jù)預(yù)測(cè)
y_proba = clf.predict_proba(X_test[:1])
#使用predict()函數(shù)得到預(yù)測(cè)結(jié)果
print(clf.predict(X_test[:1]))
#輸出預(yù)測(cè)每個(gè)標(biāo)簽的概率，預(yù)測(cè)標(biāo)簽為0，1，2的概率分別為數(shù)組的三個(gè)值
print("預(yù)計(jì)的概率值:", y_proba)

運(yùn)行結(jié)果

2、小結(jié)

predict（）函數(shù)和predict_proba（）函數(shù)的區(qū)別： predict（）函數(shù)用于預(yù)測(cè)標(biāo)簽，直接得到預(yù)測(cè)標(biāo)簽。predict_proba（）函數(shù)得到的是測(cè)試集預(yù)測(cè)得到的每個(gè)標(biāo)簽的概率。如果測(cè)試集一共有30個(gè)數(shù)據(jù)集，數(shù)據(jù)原本有3個(gè)標(biāo)簽，那么使用predict（）函數(shù)將會(huì)得到30個(gè)具體預(yù)測(cè)得到的標(biāo)簽值，是一個(gè)【130】的數(shù)組，使用predict_proba（）函數(shù)得到的是30個(gè)數(shù)據(jù)集分別取得3個(gè)標(biāo)簽的概率，是一個(gè)【303】的數(shù)組。

我又回來(lái)了，繼續(xù)更新~ 歡迎交流

到此這篇關(guān)于Python機(jī)器學(xué)習(xí)應(yīng)用之樸素貝葉斯篇的文章就介紹到這了,更多相關(guān)Python樸素貝葉斯內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: