使用Orange进行数据挖掘之分类(1)------朴素贝叶斯分类
2013-01-02 14:18
381 查看
基本概念
贝叶斯分类法是基于统计学的分类法。比较分类算法,该方法可以和决策树、神经网络分类相媲美。朴素贝叶斯分类法基于数据属性之间是独立的假定。
贝叶斯定理
首先是用到的基本表达式,P(H|X)表示条件X下,H的后验概率。P(H)是表示H发生的先验概率。贝叶斯定理是:P(H|X)=P(X|H)P(H)/P(X)
朴素贝叶斯分类
设D是用于训练的数据集,包含类标号。假设共有n个类C1,C2,C3,......Cn。现有元素X,分类法找到X属于具有最高概率的类。就是说X属于类Ci,并且P(Ci|X)>P(Cj|X)。
Orange中的朴素贝叶斯
以iris数据集为例,在Orange简单实用朴素贝叶斯的方法如下:import Orange #加载数据 iris= Orange.data.Table("iris") learner = Orange.classification.bayes.NaiveLearner() #训练数据 classifier = learner(iris) #验证结果 for inst in iris[:10]: print inst.getclass(), classifier(inst)
运行结果如下:
Iris-setosa Iris-setosa Iris-setosa Iris-setosa Iris-setosa Iris-setosa Iris-setosa Iris-setosa Iris-setosa Iris-setosa Iris-setosa Iris-setosa Iris-setosa Iris-setosa Iris-setosa Iris-setosa Iris-setosa Iris-setosa Iris-setosa Iris-setosa
同时可以借助Orange的widget,进行可视化方法的朴素贝叶斯分类。仍然以iris数据为例:
参考资料
数据挖掘导论 http://book.douban.com/subject/5377669/相关文章推荐
- 使用Orange进行数据挖掘之分类(4)------SVM
- 使用Orange进行数据挖掘之分类(2)------KNN分类
- 使用Orange进行数据挖掘之分类(3)------决策树
- 数据挖掘-K-近邻分类器-Iris数据集分析-使用K-近邻分类器进行分类预测(四)
- 使用Orange进行数据挖掘之聚类分析(1)------层次聚类
- 数据挖掘-oneR算法-Iris数据集分析-使用oneR算法进行分类预测(五)
- 使用Orange进行数据挖掘之聚类分析(2)------K-means
- 使用Orange进行数据挖掘之关联------Apriori
- 使用Weka进行数据挖掘(Weka教程八)Weka分类评价Evaluation输出分析
- 使用Weka进行数据挖掘(Weka教程七)Weka分类/预测模型构建与评价
- 使用excel进行数据挖掘(3)----类别检測
- 使用Weka进行数据挖掘(Weka教程四)Weka数据Instance之Attribute
- 使用sklearn进行数据挖掘-房价预测(4)—数据预处理
- 使用sklearn优雅地进行数据挖掘
- 用 WEKA 进行数据挖掘,第 2 部分: 分类和群集
- 学以致用-使用Spotfire进行探索性数据分析(数据挖掘)-宁夏隆德与上海天气对比(2011-2017)
- 使用Weka进行数据挖掘
- 使用sklearn优雅地进行数据挖掘
- 使用sql语句进行数据分类汇总