无涯教程-分类算法 - 朴素贝叶斯

这篇具有很好参考价值的文章主要介绍了无涯教程-分类算法 - 朴素贝叶斯。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

朴素贝叶斯算法是一种基于应用贝叶斯定理的分类技术,其中强烈假设所有预测变量彼​​此独立。简而言之,假设是某个类中某个要素的存在独立于同一类中其他任何要素的存在。

在贝叶斯分类中,主要的兴趣是找到后验概率,即给定某些观察到的特征的标签的概率。借助贝叶斯定理,无涯教程可以将其定量表示为:

                         P(L|features)=P(L)P(features|L)P(features)

Python库,Scikit learning是最有用的库,可帮助在Python中创建Naive Bayes模型。在Scikit学习Python库下,具有以下三种朴素贝叶斯模型:

高斯朴素贝叶斯

它是最简单的朴素贝叶斯分类器,假设每个标签的数据均来自简单的高斯分布。

多项式朴素贝叶斯

另一个有用的朴素贝叶斯分类器是多项朴素贝叶斯,其中的特征假定是从简单的多项式分布中得出的,这种朴素的贝叶斯最适合代表离散计数的函数。

伯努利·朴素贝叶斯

另一个重要模型是伯努利·朴素贝叶斯(BernoulliNaïveBayes),其中的特征被假定为二进制(0和1)。

根据无涯教程的数据集,可以选择上述任何朴素贝叶斯模型。在这里,正在用Python实现高斯朴素贝叶斯模型-将从所需的导入开始,如下所示:

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns; sns.set()

现在,通过使用 Scikit learning 的 make_blobs()函数,可以生成具有高斯分布的点的斑点,如下所示:

from sklearn.datasets import make_blobs
X, y=make_blobs(300, 2, centers=2, random_state=2, cluster_std=1.5)
plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap=summer);

接下来,对于使用 GaussianNB 模型,需要导入并使其对象如下:

from sklearn.naive_bayes import GaussianNB
model_GBN=GaussianNB()
model_GNB.fit(X, y);

现在,必须进行预测。可以在生成一些新数据之后执行以下操作-

rng=np.random.RandomState(0)
Xnew=[-6, -14] + [14, 18] * rng.rand(2000, 2)
ynew=model_GNB.predict(Xnew)

接下来,正在绘制新数据以查找其边界-

plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap=summer)
lim=plt.axis()
plt.scatter(Xnew[:, 0], Xnew[:, 1], c=ynew, s=20, cmap=summer, alpha=0.1)
plt.axis(lim);

现在,借助以下代码行,无涯教程可以找到第一个和第二个标签的后验概率-

yprob=model_GNB.predict_proba(Xnew)
yprob[-10:].round(3)
array([[0.998, 0.002],
   [1. , 0. ],
   [0.987, 0.013],
   [1. , 0. ],
   [1. , 0. ],
   [1. , 0. ],
   [1. , 0. ],
   [1. , 0. ],
   [0. , 1. ],
   [0.986, 0.014]])

分类算法 - 朴素贝叶斯 - 无涯教程网无涯教程网提供朴素贝叶斯算法是一种基于应用贝叶斯定理的分类技术,其中强烈假设所有预测变量彼​​此...https://www.learnfk.com/python-machine-learning/machine-learning-with-python-classification-algorithms-naive-bayes.html文章来源地址https://www.toymoban.com/news/detail-677029.html

到了这里,关于无涯教程-分类算法 - 朴素贝叶斯的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包