朴素贝叶斯代码实现（超详细）

想详细了解贝叶斯算法的，可点击笔者的另一篇文章案列分析带你彻底了解贝叶斯​​​​​​​

在这里我将写一个简单的贝叶斯代码实现。

首先先导入库

import pandas as pd

为了可以帮助更好地理解模型的性能，找出模型可能存在的问题，我们要创建一个混淆矩阵的可视

化

def cm_plot(y, yp):
    from sklearn.metrics import confusion_matrix
    import matplotlib.pyplot as plt

    cm = confusion_matrix(y, yp)
    plt.matshow(cm, cmap=plt.cm.Blues)
    plt.colorbar()
    for x in range(len(cm)):
        for y in range(len(cm)):
            plt.annotate(cm[x, y], xy=(y, x), horizontalalignment='center',
                         verticalalignment='center')
            plt.ylabel('True label')
            plt.xlabel('Predicted label')
    return plt

进行数据预处理，将数据读入，并删除第一行序列
数据获取

部分数据展示

data = pd.read_csv("iris.csv", encoding='utf8', engine='python', header=None)
data = data.drop(0, axis=1)  # 把第1列删除，
data.head()

对原始数据集进行切分

X_whole = data.drop(5, axis=1)  
y_whole = data[5]  

在切分数据集

from sklearn.model_selection import train_test_split

x_train_w, x_test_w, y_train_w, y_test_w = \
    train_test_split(X_whole, y_whole, test_size=0.2, random_state=0)

导入朴素贝叶斯分类器，实例化贝叶斯分类器分类。

from sklearn.naive_bayes import MultinomialNB

ml = MultinomialNB(alpha=1)

传入·训练集数据

ml.fit(x_train, y_train)

训练集与测试集预测，绘制混淆矩阵

train_pred = classifier.predict(x_train_w)
cm_plot(y_train_w, train_pred).show()


test_pred = classifier.predict(x_test_w)
cm_plot(y_test_w, test_pred).show()

图像如下

进行预测，并打印出分类报告。

from sklearn import metrics
pre = ml.predict(x_test)
print(metrics.classification_report(y_test, pre))
plt.show()

显示结果：