sklearn之朴素贝叶斯实战
2017-08-07 20:57
169 查看
朴素贝叶斯之多项式模型
MultinomialNB 实现了数据服从多项式分布时的贝叶斯算法。import numpy as np #随机产生0-4之间的整数,产六组,一组100个 x = np.random.randint(5, size=(6, 10)) y = np.array([1, 2, 3, 4, 5, 6]) from sklearn.naive_bayes import MultinomialNB mnb = MultinomialNB(); mub_model = mnb.fit(x, y) print(mub_model.predict(x[2:3])) 结果: [3]
朴素贝叶斯之高斯模型
GaussianNB 实现了朴素贝叶斯的高斯模型( Gaussian Naive Bayes )的分类算法。from sklearn import datasets iris = datasets.load_iris() from sklearn.naive_bayes import GaussianNB gnb = GaussianNB() gnb_model = gnb.fit(iris.data, iris.target) y_pred = gnb_model.predict(iris.data) print("Number of mislabeled points out of a total %d points : %d" % (iris.data.shape[0],(iris.target != y_pred).sum())) 结果: Number of mislabeled points out of a total 150 points : 6
朴素贝叶斯之伯努利模型模型
类 BernoulliNB 实现了对于服从多元伯努利分布的数据的朴素贝叶斯训练和分类算法; 也就是说,对于大量特征,每一个特征都是一个0-1变量 (Bernoulli, boolean)。 因此,这个类要求样本集合以0-1特征向量的方式展现。如果接收到了其他类型的数据作为参数, 一个 BernoulliNB 实例会把输入数据二元化(取决于 binarize 参数设置)import numpy as np X = np.random.randint(2, size=(6, 100)) Y = np.array([1, 2, 3, 4, 4, 5]) from sklearn.naive_bayes import BernoulliNB BNB = BernoulliNB() BNB_model = BNB.fit(X, Y) print(BNB_model.predict(X[2:3])) 结果: [3]
参考:
1.http://scikit-learn.org/stable/modules/naive_bayes.html
2.http://sklearn.lzjqsdd.com/modules/naive_bayes.html
相关文章推荐
- 机器学习实战python版第四章基于概率论的分类方法 朴素贝叶斯
- 机器学习实战-朴素贝叶斯笔记
- 机器学习实战1:朴素贝叶斯模型:文本分类+垃圾邮件分类
- 使用sklearn与pybrain预测搜索相关性实战
- NLP系列(4)_朴素贝叶斯实战与进阶(转)
- sklearn——朴素贝叶斯文本分类5
- sklearn——朴素贝叶斯文本分类6
- 机器学习实战第4章-朴素贝叶斯(bayes)
- 朴素贝叶斯 sklearn
- 机器学习实战--笔记4(朴素贝叶斯)
- 【朴素贝叶斯】实战朴素贝叶斯_代码实现_数据和接口
- sklearn 朴素贝叶斯 分类器
- 机器学习实战 朴素贝叶斯分类器 python3实现
- 机器学习实战_初识朴素贝叶斯算法_理解其python代码(一)
- 机器学习实战之朴素贝叶斯_代码注释
- 机器学习实战第四章——朴素贝叶斯分类(源码解析)
- sklearn:朴素贝叶斯(naïve beyes)
- 机器学习教程之12-朴素贝叶斯(naive Bayes)法的sklearn实现
- 【朴素贝叶斯】实战朴素贝叶斯_代码实现_训练算法
- 机器学习实战第四章朴素贝叶斯(1)