位置: IT常识 - 正文
推荐整理分享机器学习:基于朴素贝叶斯对花瓣花萼的宽度和长度分类预测,希望有所帮助,仅作参考,欢迎阅读内容。
文章相关热门搜索词:,内容如对您有帮助,希望把文章链接给更多的朋友!
作者:AOAIYI
作者简介:Python领域新星作者、多项比赛获奖者:AOAIYI首页
😊😊😊如果觉得文章不错或能帮助到你学习,可以点赞👍收藏📁评论📒+关注哦!👍👍👍
📜📜📜如果有小伙伴需要数据集和学习交流,文章下方有交流学习区!一起学习进步!💪
专栏案例:机器学习机器学习:基于逻辑回归对某银行客户违约预测分析机器学习:学习k-近邻(KNN)模型建立、使用和评价机器学习:基于支持向量机(SVM)进行人脸识别预测决策树算法分析天气、周末和促销活动对销量的影响机器学习:线性回归分析女性身高与体重之间的关系机器学习:基于主成分分析(PCA)对数据降维文章目录机器学习:基于朴素贝叶斯对花瓣花萼的宽度和长度分类预测一、实验目的二、实验原理1.分类问题描述2.Bayes’ theorem(贝叶斯法则)3.朴素贝叶斯分类算法三、实验环境四、实验内容五、实验步骤1.朴素贝叶斯2.业务理解3.读取数据4.数据理解5.数据准备6.构建数据训练集和测试集7.构建三类模型总结一、实验目的1.理解朴素贝叶斯的原理
2.掌握scikit-learn贝叶斯的用法
3.认识可视化工具seaborn
二、实验原理1.分类问题描述贝叶斯分类是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类。而朴素贝叶斯分类是贝叶斯分类中最简单,也是常见的一种分类方法,对于分类问题,其实谁都不会陌生,日常生活中我们每天都进行着分类过程。例如,当你看到一个人,你的脑子下意识判断他是学生还是社会上的人;你可能经常会走在路上对身旁的朋友说“这个人一看就很有钱”之类的话,其实这就是一种分类操作,贝叶斯分类算法,那么分类的数学描述又是什么呢? 其中C叫做类别集合,其中每一个元素是一个类别,而I叫做项集合(特征集合),其中每一个元素是一个待分类项,f叫做分类器。分类算法的内容是要求给定特征,构造分类器f,让我们得出类别。
2.Bayes’ theorem(贝叶斯法则)在概率论和统计学中,Bayes theorem(贝叶斯法则)根据事件的先验知识描述事件的概率。贝叶斯法则表达式如下所示:
P(A|B) – 在事件B下事件A发生的条件概率
P(B|A) – 在事件A下事件B发生的条件概率
P(A), P(B) – 独立事件A和独立事件B的边缘概率
朴素贝叶斯方法是一组监督学习算法,它基于贝叶斯定理应用每对特征之间的“天真”独立假设。给定类变量y和从属特征矢量X1通过Xn,贝叶斯定理状态下列关系式:
使用天真的独立假设
对所有人来说i,这种关系简化为
由于
输入是常数,我们可以使用以下分类规则:
我们可以使用最大后验(MAP)估计来估计的
和
前者是y 训练集中类的相对频率。不同的朴素贝叶斯分类器主要区别于他们对分布的假设
3.朴素贝叶斯分类算法在scikit-learn中,提供了3种朴素贝叶斯分类算法:GaussianNB(高斯朴素贝叶斯)、MultinomialNB(多项式朴素贝叶斯)、BernoulliNB(伯努利朴素贝叶斯)
可以参考文档:
http://scikit-learn.org/stable/modules/naive_bayes.html
http://scikit-learn.org/stable/modules/generated/sklearn.naive_bayes.GaussianNB.html
三、实验环境利用scikit-learn提供的三种朴素贝叶斯算法,构建分类器,根据花瓣花萼的宽度和长度判断他们属于哪一类
四、实验内容Python 3.9
Jupyter notebook
五、实验步骤1.朴素贝叶斯贝叶斯分类是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类。而朴素贝叶斯分类是贝叶斯分类中最简单,也是常见的一种分类方法
2.业务理解先有一张表格,描述了花瓣的特征和种类,利用scikit-learn提供的三种朴素贝叶斯算法,构建分类器,根据花瓣花萼的宽度和长度预测他们属于哪一个品种
3.读取数据1.编写代码,读取数据
#导入pandas库和numpy库 import pandas as pd import numpy as np iris = pd.read_csv(r'D:\CSDN\数据分析\naivebayes\iris.csv') iris.head()4.数据理解1.查看数据结构
iris.shape说明:该数据总共有150行,5列
2.查看数据列名称
iris.columns5.数据准备1.删除“种类”这列数据得到特征数据如下:
X_iris = iris.drop(['species'],axis=1)X_iris.head()2.获取“species”这列数据并将其转换为数组,得到预测数据
y_iris = np.ravel(iris[['species']])y_iris3.查看y_iris总共有多少行
y_iris.shape6.构建数据训练集和测试集1.构建训练和测试数据集
#导入相应的库 from sklearn.model_selection import train_test_split #将数据分为训练集,测试集 X_train,X_test,y_train,y_test = train_test_split(X_iris,y_iris,random_state=1) #获取数据前5行 X_train.head()说明:将数据分为训练集和测试集,默认情况下,75%的数据用于训练,25%的数据用于测试
训练集是用于发现和预测潜在关系的一组数据。测试集是用于评估预测关系强度和效率的一组数据。2.查看训练集和测试集的数据结构
print(X_train.shape)print(X_test.shape) print(y_train.shape) print(y_test.shape)说明:训练集:X_iris数据为(150,4),X_train为(112,4),X_test为(38,4) sales数据为200行,y_train为(112,),y_test为(38,)
3.查看y_train数据
y_train7.构建三类模型在scikit-learn中,提供了3种朴素贝叶斯分类算法:GaussianNB(高斯朴素贝叶斯)、MultinomialNB(多项式朴素贝叶斯)、BernoulliNB(伯努利朴素贝叶斯)
GaussianNB实现高斯朴素贝叶斯算法进行分类。假设特征的可能性是高斯的:
1.利用GaussianNB(高斯朴素贝叶斯)类建立简单模型并预测
from sklearn.naive_bayes import GaussianNB#利用GaussianNB类建立简单模型 gb= GaussianNB() model_GaussinaNB = gb.fit(X_train,y_train) #predict(X):直接输出测试集预测的类标记,X_test为测试集 y_predict_GaussianNB= model_GaussinaNB.predict(X_test) print("y_predict_GaussianNB",y_predict_GaussianNB)构建一个新的测试数组
import pandas as pdz_data ={'sepal_length':['5'],'sepal_width':['3'],'petal_length':['3'],'petal_width':['1.8']} Z_data =pd.DataFrame(z_data,columns=['sepal_length','sepal_width','petal_length','petal_width']) print(Z_data)将测试数据带入模型预测得到预测结果
Z_model_predict=model_GaussinaNB.predict(Z_data)print('Z_model_predict',Z_model_predict)说明:当我们提供的数据为’sepal_length’:[‘5’],‘sepal_width’:[‘3’],‘petal_length’:[‘3’],‘petal_width’:[‘1.8’]时,预测它属于‘versicolor’这个种类,到底预测正确与否呢?接下来看一下预测结果的平均值
查看预测结果的平均值
#预测结果 y_predict_GaussianNB==y_testmean()函数功能:求取均值
y_test_mean=np.mean(y_predict_GaussianNB==y_test)print('y_test_GaussianNB_mean',y_test_mean)查看预测正确率
score(X, y[, sample_weight]) 返回给定测试数据和标签的平均精度
gb.score(X_train,y_train)2.BernoulliNB(伯努利朴素贝叶斯) BernoulliNB实现了根据多元伯努利分布的数据的朴素贝叶斯训练和分类算法; 即,可能存在多个特征,但每个特征被假定为二进制值(伯努利,布尔)变量。因此,该类要求将样本表示为二进制值特征向量;如果传递任何其他类型的数据,BernoulliNB实例可以将其输入二值化(取决于binarize参数)。
伯努利朴素贝叶斯的决策规则是基于
利用BernoulliNB类建立简单模型并预测
# ====================BernoulliNB from sklearn.naive_bayes import BernoulliNB model_BernoulliNB=BernoulliNB().fit(X_train,y_train) y_predict_BernoulliNB=model_BernoulliNB.predict(X_test) print('y_test_BernoulliNB_mean',np.mean(y_predict_BernoulliNB==y_test))3.MultinomialNB(多项式朴素贝叶斯) MultinomialNB实现用于多项分布数据的朴素贝叶斯算法,并且是用于文本分类的两种经典朴素贝叶斯变体之一(其中数据通常表示为单词向量计数,尽管tf-idf向量也已知在实践中很好地工作) 。
利用MultinomialNB类建立简单模型并预测
# ====================MultinomialNB from sklearn.naive_bayes import MultinomialNB model_MultinomialNB=MultinomialNB().fit(X_train,y_train) y_predict_MultinomialNB=model_MultinomialNB.predict(X_test) print('y_test_MultinomialNBB_mean',np.mean(y_predict_MultinomialNB==y_test)) 总结贝叶斯分类是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类。而朴素贝叶斯分类是贝叶斯分类中最简单,也是常见的一种分类方法,对于分类问题,其实谁都不会陌生,日常生活中我们每天都进行着分类过程。例如,当你看到一个人,你的脑子下意识判断他是学生还是社会上的人;你可能经常会走在路上对身旁的朋友说“这个人一看就很有钱”之类的话,其实这就是一种分类操作。
每个人都会遇到困难跟挫折,要有同困难作斗争的决心跟勇气。困难跟挫折是成就事业的基石,岸在远方向我们招手,只要越过它,敢于在惊涛骇浪中博击,我们就会尝到胜利的果食。
下一篇:STM32CubeIDE开发(三十一), stm32人工智能开发应用实践(Cube.AI).篇一(stm32cubeIDE开发串口 修改速率)
友情链接: 武汉网站建设