Python----朴素贝叶斯，,1、朴素贝叶斯　　朴

Python----朴素贝叶斯，,1、朴素贝叶斯　　朴

1、朴素贝叶斯

　　朴素贝叶斯是使用概率论来分类的算法。其中朴素：各特征条件独立；贝叶斯：根据贝叶斯定理。

　根据贝叶斯定理，对一个分类问题，给定样本特征B，样本属于类别A的概率是：

2、算法特点

　　优点: 在数据较少的情况下仍然有效，可以处理多类别问题。

　　 缺点: 对于输入数据的准备方式较为敏感。

　　 适用数据类型: 标称型数据。

3、实例

# Importing the librariesimport numpy as npimport matplotlib.pyplot as pltimport pandas as pd# Importing the datasetdataset = pd.read_csv(‘Social_Network_Ads.csv‘)X = dataset.iloc[:, [2,3]].valuesy = dataset.iloc[:, 4].values# Splitting the dataset into the Training set and Test setfrom sklearn.model_selection import train_test_splitX_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)# Feature Scalingfrom sklearn.preprocessing import StandardScalersc_X = StandardScaler()X_train = sc_X.fit_transform(X_train)X_test = sc_X.transform(X_test)# Fitting Logistic Regression to the Training set#从模型的标准库中导入需要的类from sklearn.naive_bayes import GaussianNB#创建分类器classifier = GaussianNB()#运用训练集拟合分类器classifier.fit(X_train, y_train)# Predicting the Test set results#运用拟合好的分类器预测测试集的结果情况#创建变量（包含预测出的结果）y_pred = classifier.predict(X_test)# Making the Confusion Matrix#通过测试的结果评估分类器的性能#用混淆矩阵，评估性能#65,24对应着正确的预测个数；8,3对应错误预测个数；拟合好的分类器正确率：（65+24）/100from sklearn.metrics import confusion_matrixcm = confusion_matrix(y_test, y_pred)# Visualising the Training set results#在图像看分类结果from matplotlib.colors import ListedColormap#创建变量X_set, y_set = X_train, y_train#x1,x2对应图中的像素；最小值-1，最大值+1，-1和+1是为了让图的边缘留白，像素之间的距离0.01；第一行年龄，第二行年收入X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01),                     np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01))#将不同像素点涂色，用拟合好的分类器预测每个点所属的分类并且根据分类值涂色plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),             alpha = 0.75, cmap = ListedColormap((‘red‘, ‘green‘)))#标注最大值及最小值plt.xlim(X1.min(), X1.max())plt.ylim(X2.min(), X2.max())#为了滑出实际观测的点（黄、蓝）for i, j in enumerate(np.unique(y_set)):    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],                c = ListedColormap((‘orange‘, ‘blue‘))(i), label = j)plt.title(‘Naive Bayes (Training set)‘)plt.xlabel(‘Age‘)plt.ylabel(‘Estimated Salary‘)#显示不同的点对应的值plt.legend()#生成图像plt.show()# Visualising the Test set resultsfrom matplotlib.colors import ListedColormapX_set, y_set = X_test, y_testX1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01),                     np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01))plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),             alpha = 0.75, cmap = ListedColormap((‘red‘, ‘green‘)))plt.xlim(X1.min(), X1.max())plt.ylim(X2.min(), X2.max())for i, j in enumerate(np.unique(y_set)):    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],                c = ListedColormap((‘orange‘, ‘blue‘))(i), label = j)plt.title(‘Naive Bayes (Test set)‘)plt.xlabel(‘Age‘)plt.ylabel(‘Estimated Salary‘)plt.legend()plt.show()

训练集图像显示结果：　　

测试集图像显示结果：

Python----朴素贝叶斯