人工智能簇|朴素贝叶斯算法之鸢尾花特征分类【机器学习】【伯努利分布,多项式分布,高斯分布】机器学习|机器学习|伯努利分布

文章目录

一.前言
- 1.1 本文原理
- 1.2 本文目的
二.实验过程
- 2.1使用BernoulliNB（伯努利分布）给鸢尾花分类，写出代码，对运行结果截图并对分类结果进行分析；
- 2.2 使用MultinomailNB（多项式分布）给鸢尾花分类，写出代码，对运行结果截图并对分类结果进行分析
- 2.3 使用GaussianNB（高斯分布）给鸢尾花分类，写出代码，对运行结果截图并对分类结果进行分析；
- 2.4 总结

一.前言 1.1 本文原理 1.熟悉机器学习之朴素贝叶斯算法
2.使用朴素贝叶斯算法解决问题
贝叶斯定理是关于随机事件a和B的条件概率（或边际概率）的定理。其中p（a | B）是当B发生时a发生的可能性。
朴素贝叶斯算法：
对于样本集：

人工智能簇|朴素贝叶斯算法之鸢尾花特征分类【机器学习】【伯努利分布,多项式分布,高斯分布】

文章图片

其中m表示有m个样本，N表示有N个特征。yi，i=1,2，。。，M表示样本类别，值为{c1，C2，…，ck}。
朴素贝叶斯分类的基本公式：

文章图片

计算先验概率：计算样本类别数k。对于每个样本y=ck，计算P（y=ck）。这是总样本集中CK类的频率。
计算条件概率：将样本集划分为k个子样本集，分别计算属于CK的子样本集，计算特征概率P(Xj=ajl|Y=Ck)。它是子集中特征值为AJL的样本数与子集中样本数的比率。
对于要预测的样本xtest，计算每个类别CK的后验概率：

文章图片

1.2 本文目的

使用BernoulliNB（伯努利分布）给鸢尾花分类，写出代码，对运行结果截图并对分类结果进行分析；参考代码：bayes =naive_bayes.BernoulliNB()
使用MultinomailNB（多项式分布）给鸢尾花分类，写出代码，对运行结果截图并对分类结果进行分析
使用GaussianNB（高斯分布）给鸢尾花分类，写出代码，对运行结果截图并对分类结果进行分析；

二.实验过程 2.1使用BernoulliNB（伯努利分布）给鸢尾花分类，写出代码，对运行结果截图并对分类结果进行分析；和前几篇一样，先使用load_iris模块，里面有150组鸢尾花特征数据，我们可以拿来进行学习特征分类。
如下代码：

from sklearn.datasets import load_iris iris = load_iris() X = iris.data y = iris.target

引入朴素贝叶斯算法模块：

from sklearn import naive_bayes

使用朴素贝叶斯算法机器分类器：BernoulliNB的用法如下：（伯努利分布）

nb=naive_bayes.BernoulliNB()

先采用俩个特征集，给鸢尾花分类，输出训练得分和预测，如下代码：

nb.fit(X[:,:2],y) print("training score: ",nb.score(X[:,:2],y)) print("predict: ",nb.predict([[7,5],[7.5,4]]))

运行截图如下：

文章图片

2.2 使用MultinomailNB（多项式分布）给鸢尾花分类，写出代码，对运行结果截图并对分类结果进行分析首先，上面的步骤肯定已经做完了，我们接下来在之前的基础上，使用MultinomailNB给鸢尾花特征分类
先保证朴素贝叶斯算法naive_bayes成功引入：

from sklearn import naive_bayes

还有就是load_iris模块，这里省略。
我们使用多项式分布MultinomailNB分类器，如下代码：

mu=naive_bayes.MultinomialNB()

标准如下：

naive_bayes.MultinomialNB(alpha=1.0， fit_prior=True， class_prior=None)

alpha：浮点可选参数。默认值为1.0。实际上，它添加了拉普拉斯平滑，即λ，如果该参数设置为0，则不添加平滑；
fit_prior：布尔可选参数。
是输出为类别K的训练集样本数。
class_prio：可选参数。默认值为“无”。
这里我们选择使用第2,3特征进行鸢尾花特征分类，代码如下：

mu.fit(X[:,1:3],y)

给鸢尾花分类，输出训练得分和预测，如下代码：

print("training score: ",mu.score(X[:,1:3],y)) print("predict: ",mu.predict([[5,2],[4,7]]))

运行截图如下：

文章图片

2.3 使用GaussianNB（高斯分布）给鸢尾花分类，写出代码，对运行结果截图并对分类结果进行分析；我们接下来在之前的基础上，使用GaussianNB给鸢尾花特征分类
先保证朴素贝叶斯算法naive_bayes成功引入：（省略），还有就是load_iris模块，这里省略。
我们使用多项式分布GaussianNB分类器，如下代码：

bayes = naive_bayes.GaussianNB()

这里我们选择使用第全特征进行鸢尾花特征分类，代码如下：

bayes.fit(X,y)

给鸢尾花分类，输出训练得分和预测，如下代码：

print("training score: ",bayes.score(X,y)) print("predict: ",bayes.predict([[7,5,2,0.5],[7.5,4,7,2]]))

运行截图如下：

文章图片

2.4 总结 【人工智能簇|朴素贝叶斯算法之鸢尾花特征分类【机器学习】【伯努利分布,多项式分布,高斯分布】】需要充分的了解了贝叶斯定理和朴素贝叶斯算法的相关内容。初步可以使用BernoulliNB（伯努利分布），MultinomailNB（多项式分布），GaussianNB（高斯分布）给鸢尾花分类。
主要：
1.熟悉机器学习之朴素贝叶斯算法
2.使用朴素贝叶斯算法解决问题