朴素贝叶斯可以细分为三种方法&＃xff1a;分别是伯努利朴素贝叶斯、高斯朴素贝叶斯和多项式朴素贝叶斯。下文就这三种方法进行详细讲解和演示。

目录

一、伯努利朴素贝叶斯方法

1.1 例子解答

1.1.1 代码&＃xff1a;

1.1.2 结果&＃xff1a; 

 二、高斯朴素贝叶斯方法

2.1 解题

2.1.1 代码&＃xff1a;

2.1.2 结果&＃xff1a;

2.2 检查高斯朴素贝叶斯的正确率

2.2.1 代码&＃xff1a;

2.2.2 结果&＃xff1a; 

 三、多项式朴素贝叶斯方法

3.1 多项式朴素贝叶斯实现新闻文本分类

3.1.1 代码

3.1.2 结果

 3.2 检测正确率

3.2.1 代码

3.2.2结果 

一、伯努利朴素贝叶斯方法

伯努利朴素贝叶斯是假定样本特征的条件概率分布服从二项分布&＃xff0c;即“0-1分布”。

1.1 例子解答

例如利用伯努利朴素贝叶斯预测天气会不会下雨&＃xff1a;

 其中有雨用1标识&＃xff0c;无雨用0标识。

各种属性则是用1标识&＃xff0c;否用0标识。一直上表的下雨情况为Y&＃61;[1&＃xff0c;1&＃xff0c;1&＃xff0c;1&＃xff0c;0&＃xff0c;1&＃xff0c;1&＃xff0c;0]

问&＃xff08;无风&＃xff0c;不潮湿&＃xff0c;多云&＃xff0c;不闷热&＃xff09;的情况是否下雨。

这里可以将预测数据设为x_pre&＃61;[0&＃xff0c;0&＃xff0c;1&＃xff0c;1]

1.1.1 代码&＃xff1a;

import numpy as np
x &＃61; np.array([[0,1,0,1],[1,1,1,1],[1,1,1,0],[0,1,1,0],[0,1,0,0],[0,1,0,1],[1,1,0,1],[1,0,0,1],[1,1,0,1],[0,0,0,0]])
y &＃61; np.array([1,1,1,1,0,1,0,1,1,0])from sklearn.naive_bayes import BernoulliNB
bnb &＃61; BernoulliNB()
bnb.fit(x,y)
day_pre&＃61;[[0,0,1,0]]
pre &＃61; bnb.predict(day_pre)
print("预测结果如下\n:",&＃39;*&＃39;*50)
print(&＃39;结果为:&＃39;,pre)
print(&＃39;*&＃39;*50)#进一步查看概率分布
pre_pro &＃61; bnb.predict_proba(day_pre)
print("不下雨的概率为&＃xff1a;",pre_pro[0][0],"\n下雨的概率为&＃xff1a;",pre_pro[0][1])

1.1.2 结果&＃xff1a; 

 二、高斯朴素贝叶斯方法

高斯朴素贝叶斯分类器是假定样本特征符合高斯分布时常用的算法。高斯分布也称为正态分布。如果随机变量X服从一个数学期望μ、方差的正态分布。可以直接调用sklearn.native_bayes.GuassianNB().

2.1 解题

上述题用高斯朴素贝叶斯方法预测的结果如下&＃xff1a;

2.1.1 代码&＃xff1a;

import numpy as np
x &＃61; np.array([[0,1,0,1],[1,1,1,1],[1,1,1,0],[0,1,1,0],[0,1,0,0],[0,1,0,1],[1,1,0,1],[1,0,0,1],[1,1,0,1],[0,0,0,0]])
y &＃61; np.array([1,1,1,1,0,1,0,1,1,0])# from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
gnb &＃61; GaussianNB()
gnb.fit(x,y)
day_pre&＃61;[[0,0,1,0]]
pre &＃61; gnb.predict(day_pre)
print("预测结果如下\n:",&＃39;*&＃39;*50)
print(&＃39;结果为:&＃39;,pre)
print(&＃39;*&＃39;*50)#进一步查看概率分布
pre_pro &＃61; gnb.predict_proba(day_pre)
print("不下雨的概率为&＃xff1a;",pre_pro[0][0],"\n下雨的概率为&＃xff1a;",pre_pro[0][1])

2.1.2 结果&＃xff1a;

2.2 检查高斯朴素贝叶斯的正确率

利用sklearn自带的数据集来展示高斯朴素贝叶斯来验证正确率&＃xff1a;

2.2.1 代码&＃xff1a;

from sklearn.datasets import make_blobs
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
x,y &＃61; make_blobs(n_samples &＃61; 800,centers &＃61; 6,random_state &＃61; 6)
x_train,x_test,y_train,y_test &＃61; train_test_split(x,y,test_size&＃61;0.25,random_state&＃61;33)gnb &＃61; GaussianNB()
gnb.fit(x_train,y_train)
print(&＃39;-&＃39;*50)
print(&＃39;高斯朴素贝叶斯的正确率为:&＃39;,gnb.score(x_test,y_test))
print(&＃39;-&＃39;*50)

2.2.2 结果&＃xff1a; 

 三、多项式朴素贝叶斯方法

多项式朴素贝叶斯是假定样本特征符合多项式分布时常用的算法&＃xff0c;把一个二项式公式推广至多种状态&＃xff0c;就得到了多项分布。例如骰子。

3.1 多项式朴素贝叶斯实现新闻文本分类

以sklearn.datasets中的新闻文本数据集为例&＃xff0c;展示朴素贝叶斯分类方法。

其中sklearn.dates中的fetch_20newsgroups数据集一共射击20个话题&＃xff0c;进行预测分类。

3.1.1 代码

#加载数据
from sklearn.datasets import fetch_20newsgroups
newsgroups &＃61; fetch_20newsgroups(subset&＃61;&＃39;all&＃39;)
x &＃61; newsgroups.data
y &＃61; newsgroups.target
#查看目标
print(&＃39;目标变量&＃xff1a;\n&＃39;,newsgroups.target_names)
#查看特征变量情况
print(&＃39;特征变量示例:\n&＃39;,x[0])
#查看特征变量目标
print(&＃39;特征变量目标:\n&＃39;,y)from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test &＃61; train_test_split(x,y,test_size&＃61;0.3,random_state&＃61;33)from sklearn.feature_extraction.text import CountVectorizer
vec &＃61; CountVectorizer()
x_vec_train &＃61; vec.fit_transform(x_train)
x_vec_test &＃61; vec.transform(x_test)from sklearn.naive_bayes import MultinomialNB
mnb &＃61; MultinomialNB()
mnb.fit(x_vec_train,y_train)
mnb_y_predict &＃61; mnb.predict(x_vec_test)from sklearn.metrics import classification_report
print(classification_report(y_test,mnb_y_predict))

3.1.2 结果

 3.2 检测正确率

3.2.1 代码

from sklearn.datasets import make_blobs
import numpy as np#自带数据集
x,y &＃61; make_blobs(n_samples&＃61;800,centers&＃61;6,random_state&＃61;6)
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test &＃61; train_test_split(x,y,test_size&＃61;0.25,random_state&＃61;33)from sklearn.preprocessing import MinMaxScaler
scaler &＃61; MinMaxScaler()
scaler.fit(x_train)
x_train_s &＃61; scaler.transform(x_train)
x_test_s &＃61; scaler.transform(x_test)from sklearn.naive_bayes import MultinomialNB
mnb &＃61; MultinomialNB()
mnb.fit(x_train_s,y_train)print(&＃39;*&＃39;*50)
print(&＃39;多项式朴素贝叶斯法准确率&＃xff1a;&＃39;,mnb.score(x_test_s,y_test))
print(&＃39;*&＃39;*50)

3.2.2结果