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)

  • 怎样利用微信营销获取客户信任(微信营销中的营是什么概念)

    怎样利用微信营销获取客户信任(微信营销中的营是什么概念)

  • appmusic自动扣款怎么退(applemusic自动扣款是什么)

    appmusic自动扣款怎么退(applemusic自动扣款是什么)

  • 苹果x外放声音没以前大(苹果x外放声音小横屏就变大)

    苹果x外放声音没以前大(苹果x外放声音小横屏就变大)

  • 三相四线断路器怎么接(三相四线断路器怎么接线)

    三相四线断路器怎么接(三相四线断路器怎么接线)

  • 微信打字栏显示不出来(微信打字栏显示方式变了)

    微信打字栏显示不出来(微信打字栏显示方式变了)

  • 正在等待后台程序关闭(正在等待de)

    正在等待后台程序关闭(正在等待de)

  • 红米mee7是什么型号(红米mee7s参数)

    红米mee7是什么型号(红米mee7s参数)

  • 苹果怎么关闭下载东西输入id密码(苹果怎么关闭下拉菜单)

    苹果怎么关闭下载东西输入id密码(苹果怎么关闭下拉菜单)

  • 苹果4g限速后怎样提升网速(苹果手机4g限速后怎样解除限速)

    苹果4g限速后怎样提升网速(苹果手机4g限速后怎样解除限速)

  • x20plus屏幕多大(vivo手机x20plus屏幕多大)

    x20plus屏幕多大(vivo手机x20plus屏幕多大)

  • 手机修理店换外屏注意(去外面修手机)

    手机修理店换外屏注意(去外面修手机)

  • iphone xr怎么打开广角(iPhone xr怎么打开卡槽)

    iphone xr怎么打开广角(iPhone xr怎么打开卡槽)

  • 锐龙3700u相当于酷睿哪一款(锐龙3700u相当于英特尔哪款处理器)

    锐龙3700u相当于酷睿哪一款(锐龙3700u相当于英特尔哪款处理器)

  • OPPOfindx外屏碎了(oppofindx外屏碎了怎么办)

    OPPOfindx外屏碎了(oppofindx外屏碎了怎么办)

  • 显卡海外版是什么意思(显卡海外版是什么牌子)

    显卡海外版是什么意思(显卡海外版是什么牌子)

  • 文件管理里面的东西删除了可以找回吗(文件管理里面的文件哪些可以删除)

    文件管理里面的东西删除了可以找回吗(文件管理里面的文件哪些可以删除)

  • 微信红包不想领怎么退回(微信红包不想领取能看到金额吗)

    微信红包不想领怎么退回(微信红包不想领取能看到金额吗)

  • 坚果手机是什么系统(坚果手机是什么意思)

    坚果手机是什么系统(坚果手机是什么意思)

  • 手机上有放大镜吗(手机上有放大镜怎么关闭)

    手机上有放大镜吗(手机上有放大镜怎么关闭)

  • 苹果xr跟8p机身大小(苹果xr和8p重量差多少)

    苹果xr跟8p机身大小(苹果xr和8p重量差多少)

  • 路由器100兆和1000兆的区别(路由器100兆和1000兆的区别 贴吧)

    路由器100兆和1000兆的区别(路由器100兆和1000兆的区别 贴吧)

  • 如何把搜狗搜索去掉(如何把搜狗搜索记录删除)

    如何把搜狗搜索去掉(如何把搜狗搜索记录删除)

  • 付款码和扫码付区别(付款码和二维码区别)

    付款码和扫码付区别(付款码和二维码区别)

  • 各行业的利润率表
  • 印花税技术合同计税依据
  • 提现的现金流量代码是什么
  • 出售的固定资产通过固定资产清理吗
  • 附加税减免所得税汇缴的时候需要调整吗
  • 如何认定纳税人资格证书
  • 政府补助具有无偿性的特征
  • 出售生产线计入哪里
  • 公司为职工在异地买医保
  • 向银行借款一年是长期还是短期
  • 本年累计金额和上年金额
  • 职工福利费税前扣除标准最新
  • 企业名称变更后社保也要变更吗
  • 信息技术包括哪几个方面
  • 出口企业进项税额转出怎么理解
  • 残保金属于现金流量表中的哪一项
  • 工厂没有生产许可证可以生产吗
  • 计提工资的时候是应发合计还是实发合计
  • 银行保证金账务处理流程
  • 分享下会画画是怎样的体验
  • 交易性金融资产的入账价值
  • 金融资产的要素有哪些?
  • 公司购买货物
  • 华为心率血压智能手表怎么样
  • 原材料入库时如何计价
  • php封包
  • 没有利润,能否开发票
  • php验证源码
  • 企业所得税税金及附加包括
  • 现金流量表的编报时间有
  • 增值税检查后的调账方法
  • 自建办公楼装修要报建吗
  • php数据统计分析
  • 固定资产和无形资产计提折旧时间
  • 图像分割csdn
  • 帝国cms添加栏目前台不显示
  • 企业投资入股要交多少税
  • 往来款项的含义
  • 垃圾费放在哪个会计科目
  • 工会经费缴纳方式的文件
  • php采集器
  • 将织梦dedecms转换到wordpress
  • 代扣代缴个人所得税账务处理
  • 总记账凭证核算怎么做
  • 电子退库收入怎么入账
  • 事业单位破产清算开户流程
  • 发票开错作废如何处理?
  • 红字发票抵扣联和发票联要给对方吗
  • 应付利息的主要方式
  • 生产成本直接人工怎么算
  • 客观原因怎么写
  • 收到补助款的会计分录
  • 会计凭证装订的心得体会
  • sqlserver全文索引ndf文件丢失
  • 删除用户mysql
  • mysql数据库增量备份命令
  • sql2008开启远程连接
  • asp.net 使用SqlBulkCopy极速插入数据到 SQL Server
  • Linux平台mysql开启远程登录
  • win8下载软件
  • win8系统怎么改win10
  • xp系统如何禁止软件联网
  • xp系统进程
  • linux补丁工具
  • 结构 类型
  • cocos2djs教程
  • opengl programming guide
  • 安卓沉浸式状态栏框架
  • android.json
  • nodejs发送post请求socket hand up
  • 编写批处理
  • Python爬取qq music中的音乐url及批量下载
  • shell 字符串比较
  • unity2020怎么导入资源
  • Android应用开发实训
  • jquery怎么给div赋值
  • 供热企业税收优惠政策执行情况
  • 新入职税务人员给总局的回信
  • 国家税务总局2011年34号公告
  • 防疫物资开票免税吗
  • 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