位置: IT常识 - 正文

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

编辑:rootadmin
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 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

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

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

说明:该数据总共有150行,5列

2.查看数据列名称

iris.columns

5.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_iris

3.查看y_iris总共有多少行

y_iris.shape

6.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_train

7.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_test

mean()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。

本文链接地址:https://www.jiuchutong.com/zhishi/299553.html 转载请保留说明!

上一篇:Http协议之Content-Type理解

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)

  • 华为荣耀20pro有没有红外线功能(华为荣耀20 pro)(华为荣耀20pro有红外线遥控功能吗)

    华为荣耀20pro有没有红外线功能(华为荣耀20 pro)(华为荣耀20pro有红外线遥控功能吗)

  • 荣耀X30max怎么隐藏应用(荣耀x30max怎么隐藏应用图标)

    荣耀X30max怎么隐藏应用(荣耀x30max怎么隐藏应用图标)

  • vivo手机怎么语音唤醒(vivo手机怎么语音解锁密码)

    vivo手机怎么语音唤醒(vivo手机怎么语音解锁密码)

  • 抖音伴奏音乐在哪里找(抖音里的伴奏音乐)

    抖音伴奏音乐在哪里找(抖音里的伴奏音乐)

  • 如何让手机变成震动器(如何让手机变成彩色屏幕)

    如何让手机变成震动器(如何让手机变成彩色屏幕)

  • memtest 有错误怎么办(memtest一个错误要紧吗)

    memtest 有错误怎么办(memtest一个错误要紧吗)

  • 索引图什么意思(索引示意图)

    索引图什么意思(索引示意图)

  • 华为710f处理器什么水平(华为710f处理器相当于骁龙什么处理器)

    华为710f处理器什么水平(华为710f处理器相当于骁龙什么处理器)

  • 闲鱼部分退款,卖家什么时候收到钱(闲鱼部分退款后还能申请退款吗)

    闲鱼部分退款,卖家什么时候收到钱(闲鱼部分退款后还能申请退款吗)

  • 微信更换实名认证后果(微信更换实名认证需要绑定银行卡吗)

    微信更换实名认证后果(微信更换实名认证需要绑定银行卡吗)

  • 1020和1020plus区别(惠普1020和1020plus区别)

    1020和1020plus区别(惠普1020和1020plus区别)

  • 对讲机充电要多久(对讲机充电多少伏)

    对讲机充电要多久(对讲机充电多少伏)

  • 怎么剪抖音同款(怎样剪抖音同款)

    怎么剪抖音同款(怎样剪抖音同款)

  • 苹果6p小白球怎么设置(苹果6sp小白球怎么设置)

    苹果6p小白球怎么设置(苹果6sp小白球怎么设置)

  • nova6首次充电多长时间(华为nova6第一次充电需要充多久)

    nova6首次充电多长时间(华为nova6第一次充电需要充多久)

  • 蓝牙无媒体是什么原因(蓝牙设备无媒体信号)

    蓝牙无媒体是什么原因(蓝牙设备无媒体信号)

  • 固态硬盘放机箱什么地方(固态硬盘随便放在机箱里)

    固态硬盘放机箱什么地方(固态硬盘随便放在机箱里)

  • redmi蓝牙耳机airdots两个耳机同时使用(redmi蓝牙耳机airdots3)

    redmi蓝牙耳机airdots两个耳机同时使用(redmi蓝牙耳机airdots3)

  • 抖音怎么没有本地音乐(抖音怎么没有本地保存这个按钮)

    抖音怎么没有本地音乐(抖音怎么没有本地保存这个按钮)

  • dc调光的手机有哪些(dc调光手机有哪些2020)

    dc调光的手机有哪些(dc调光手机有哪些2020)

  • 手机电话录音怎么发给别人(手机电话录音怎么操作)

    手机电话录音怎么发给别人(手机电话录音怎么操作)

  • 网易云怎么充值(网易云怎么充值零钱啊)

    网易云怎么充值(网易云怎么充值零钱啊)

  • 打电话的时候为什么没有网络(打电话的时候为什么无法访问网络)

    打电话的时候为什么没有网络(打电话的时候为什么无法访问网络)

  • 快递费包不包括送货上门
  • 二手房交易需要购房发票吗
  • 员工过生日计入什么科目
  • 预期信用损失率计算公式
  • 企业所得税季末数怎么填
  • 文化建设税减免到什么时候
  • 如何查询继续教育证书
  • 进项税额红字怎么做账
  • 金蝶软件数量金额式怎样输入数据
  • 季度不满30万免增值税如何结转
  • 税控服务费抵扣的文件
  • 农药增值税减免政策
  • 挖掘机要交多少个人所得税
  • 研发费用加计扣除行业
  • 一般纳税人购入货物相关的增值税可以抵扣
  • 购进原材料验收入库,贷款商业汇票结算
  • 2018年企业所得税政策变化
  • 子女继承房地产怎么交税
  • 税控盘不存在怎么回事
  • 公积金贷款利息现在是多少
  • 房屋大修理费用指哪些
  • 高新技术企业研发人员学历要求
  • 认缴出资未缴纳公司可以减资吗
  • 培训机构收一年费用合法吗
  • 外贸出口企业的租金能退税吗
  • 商品进价销售要上税吗
  • 全年一次性奖金税率表
  • linux如何开启端口
  • 外贸 代理
  • 非房地产企业的基建管理办法
  • 印花税纳税申报表填写范本
  • 如何限制某台设备上网
  • 现金流量套期的例子
  • php的图片
  • 联表更新数据
  • 投资公司收到境外债务
  • 认缴没有实缴怎么做账
  • chatgpt的多种免费使用方式
  • php执行linux命令无效
  • nodejs如何使用
  • 数据挖掘 实战
  • 承租方承担的税费是多少
  • 收支平衡表怎么做工厂表格
  • 施工企业的汇兑损失属于财务费用
  • 电子汇票提示付款申请
  • mysql 锁详解
  • 环境检测费可以计入环保费吗
  • 事业单位财政直拔工资误填为劳务费怎么写情况说明
  • 线上线下财务
  • 商品没入库直接发货
  • 递延所得税资产和递延所得税负债
  • 购买方已认证销售方作废
  • 购入钢材
  • 短期借款的相关法规
  • 认证系统维护费可以全额抵扣吗
  • 购入土地使用权以什么为计税依据
  • w7系统删除所有东西
  • iis安装文件xp版
  • centos32
  • 如何用mac制作ppt
  • win7点开始一直跳闪
  • linux shell命令大全
  • cmd常用命令详解
  • jsonp实现动态加载文件
  • 如何用jquery
  • ip地址一键切换
  • Node.js中的事件循环是什么意思
  • bat脚本%1
  • 详解python时间模块中的datetime模块
  • androidmvvm框架
  • 使用image控件显示图片
  • 获取路径下的文件名
  • arraylist100扩充几次
  • 基于mvc的项目实例
  • 怎么关闭android
  • 安卓源代码开放吗
  • javascript怎么编写
  • mapper--图片热点区域高亮组件官方站点
  • 电子税务局电子送达文书怎么签收
  • 全款房契税退税需要什么资料
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设