分类导航

程序笔记发布时间：2022-07-19 发布网站：大佬教程 code.js-code.com

大佬教程收集整理的这篇文章主要介绍了实验三朴素贝叶斯算法及应用，大佬教程大佬觉得挺不错的，现在分享给大家，也给大家做个参考。

朴素贝叶斯算法及应用

所在班级	机器学习
实验要求	作业要求
学习目标	理解朴素贝叶斯算法原理，掌握朴素贝叶斯算法框架
学号	3180701319
姓名	计算机183杨文敖

【实验目的】理解朴素贝叶斯算法原理，掌握朴素贝叶斯算法框架；掌握常见的高斯模型，多项式模型和伯努利模型；能根据不同的数据类型，选择不同的概率模型实现朴素贝叶斯算法；针对特定应用场景及数据，能应用朴素贝叶斯解决实际问题。

【实验内容】实现高斯朴素贝叶斯算法。熟悉sklearn库中的朴素贝叶斯算法；针对iris数据集，应用sklearn的朴素贝叶斯算法进行类别预测。针对iris数据集，利用自编朴素贝叶斯算法进行类别预测。

【实验报告要求】对照实验内容，撰写实验过程、算法及测试结果；代码规范化：命名规则、注释；分析核心算法的复杂度；查阅文献，讨论各种朴素贝叶斯算法的应用场景；讨论朴素贝叶斯算法的优缺点。

【实验代码】 import numpy as np import pandas as pd import matplotlib.pyplot as plt %matplotlib inline from sklearn.datasets import load_iris from sklearn.model_SELEction import Train_test_split from collections import Counter import math

data

def create_data(): iris = load_iris() df = pd.DataFrame(iris.data, columns=iris.feature_names) df['label'] = iris.target df.columns = [ 'sepal length', 'sepal width', 'petal length', 'petal width', 'label' ] data = np.array(df.iloc[:100, :]) # print(data) return data[:, :-1], data[:, -1] X, y = create_data() X_Train, X_test, y_Train, y_test = Train_test_split(X, y, test_size=0.3) X_test[0], y_test[0] class NaiveBayes: def init(self): self.model = None # 数学期望 @staticmethod def mean(X): return sum(X) / float(len(X)) # 标准差（方差） def stdev(self, X): avg = self.mean(X) return math.sqrt(sum([pow(x - avg, 2) for x in X]) / float(len(X))) # 概率密度函数 def gaussian_probability(self, x, mean, stdev): exponent = math.exp(-(math.pow(x - mean, 2) / (2 * math.pow(stdev, 2)))) return (1 / (math.sqrt(2 * math.pi) * stdev)) * exponent # 处理X_Train def summarize(self, Train_data): summaries = [(self.mean(i), self.stdev(i)) for i in zip(*Train_data)] return summaries # 分类别求出数学期望和标准差 def fit(self, X, y): labels = list(set(y)) data = {label: [] for label in labels} for f, label in zip(X, y): data[label].append(f) self.model = { label: self.summarize(value) for label, value in data.items() } return 'gaussiAnnB Train done!' # 计算概率 def calculate_probabilities(self, input_data): # summaries:{0.0: [(5.0, 0.37),(3.42, 0.40)], 1.0: [(5.8, 0.449),(2.7, 0.27)]} # input_data:[1.1, 2.2] probabilities = {} for label, value in self.model.items(): probabilities[label] = 1 for i in range(len(value)): mean, stdev = value[i] probabilities[label] *= self.gaussian_probability( input_data[i], mean, stdev) return probabilities # 类别 def preDict(self, X_test): # {0.0: 2.9680340789325763e-27, 1.0: 3.5749783019849535e-26} label = sorted( self.calculate_probabilities(X_test).items(), key=lambda x: x[-1])[-1][0] return label def score(self, X_test, y_test): right = 0 for X, y in zip(X_test, y_test): label = self.preDict(X) if label == y: right += 1 return right / float(len(X_test)) model = NaiveBayes() model.fit(X_Train, y_Train) print(model.preDict([4.4, 3.2, 1.3, 0.2])) model.score(X_test, y_test) from sklearn.naive_bayes import GaussiAnnB clf = GaussiAnnB() clf.fit(X_Train, y_Train) clf.score(X_test, y_test) clf.preDict([[4.4, 3.2, 1.3, 0.2]]) from sklearn.naive_bayes import BernoulliNB, MulTinomialNB # 伯努利模型和多项式模型【运行截图】