实验三

大佬教程收集整理的这篇文章主要介绍了实验三，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。

@H_801_9@

个人班级	机器学习实验-计算机18级
实验题目	朴素贝叶斯算法及其应用
姓名	黎宇
学号	3180701141

实验目的 1.理解朴素贝叶斯算法原理，掌握朴素贝叶斯算法框架； 2.掌握常见的高斯模型，多项式模型和伯努利模型； 3.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； 4.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。

实验要求 1.实现高斯朴素贝叶斯算法。 2.熟悉sklearn库中的朴素贝叶斯算法； 3.针对iris数据集，应用sklearn的朴素贝叶斯算法进行类别预测。 4.针对iris数据集，利用自编朴素贝叶斯算法进行类别预测。

实验报告内容 1.对照实验内容，撰写实验过程、算法及测试结果； 2.代码规范化：命名规则、注释； 3.分析核心算法的复杂度； 4.查阅文献，讨论各种朴素贝叶斯算法的应用场景； 5.讨论朴素贝叶斯算法的优缺点。

【帅的不谈】葛梦海(2743563198) 2021/6/27 19:14:31 实验代码 1.

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))

@H_536_47@model = NaiveBayes()

@H_536_47@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 1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

13.

五、实验小结 通过本次实验，学习了了朴素贝叶斯算法原理，并且实现了朴素贝叶斯算法。朴素贝叶斯算法对小规模的数据表现很好，能个处理多分类任务，适合增量式训练，尤其是数据量超出内存时，可以一批批的去增量训练。

大佬总结

以上是大佬教程为你收集整理的实验三全部内容，希望文章能够帮你解决实验三所遇到的程序开发问题。

如果觉得大佬教程网站内容还不错，欢迎将大佬教程推荐给程序员好友。

本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ：384754419，请注明来意。