樸素貝葉斯算法是一種基于應用貝葉斯定理的分類技術(shù)，其中強烈假設(shè)所有預測變量彼??此獨立。簡而言之，假設(shè)是某個類中某個要素的存在獨立于同一類中其他任何要素的存在。

在貝葉斯分類中，主要的興趣是找到后驗概率，即給定某些觀察到的特征的標簽的概率。借助貝葉斯定理，無涯教程可以將其定量表示為:

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

Python庫，Scikit learning是最有用的庫，可幫助在Python中創(chuàng)建Naive Bayes模型。在Scikit學習Python庫下，具有以下三種樸素貝葉斯模型:

高斯樸素貝葉斯

它是最簡單的樸素貝葉斯分類器，假設(shè)每個標簽的數(shù)據(jù)均來自簡單的高斯分布。

多項式樸素貝葉斯

另一個有用的樸素貝葉斯分類器是多項樸素貝葉斯，其中的特征假定是從簡單的多項式分布中得出的，這種樸素的貝葉斯最適合代表離散計數(shù)的函數(shù)。

伯努利·樸素貝葉斯

另一個重要模型是伯努利·樸素貝葉斯(BernoulliNa?veBayes)，其中的特征被假定為二進制(0和1)。

根據(jù)無涯教程的數(shù)據(jù)集，可以選擇上述任何樸素貝葉斯模型。在這里，正在用Python實現(xiàn)高斯樸素貝葉斯模型-將從所需的導入開始，如下所示:

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

現(xiàn)在，通過使用 Scikit learning 的 make_blobs()函數(shù)，可以生成具有高斯分布的點的斑點，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);

接下來，對于使用 GaussianNB 模型，需要導入并使其對象如下:

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

現(xiàn)在，必須進行預測?？梢栽谏梢恍┬聰?shù)據(jù)之后執(zhí)行以下操作-

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

接下來，正在繪制新數(shù)據(jù)以查找其邊界-

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);

現(xiàn)在，借助以下代碼行，無涯教程可以找到第一個和第二個標簽的后驗概率-

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]])

分類算法 - 樸素貝葉斯 - 無涯教程網(wǎng)無涯教程網(wǎng)提供樸素貝葉斯算法是一種基于應用貝葉斯定理的分類技術(shù)，其中強烈假設(shè)所有預測變量彼??此...https://www.learnfk.com/python-machine-learning/machine-learning-with-python-classification-algorithms-naive-bayes.html文章來源地址http://www.zghlxwxcb.cn/news/detail-677029.html

到了這里，關(guān)于無涯教程-分類算法 - 樸素貝葉斯的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)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TOY模板網(wǎng)！