机器学习 -朴素贝叶斯

贝叶斯的定义: 一件事发生的可能性

联合概率:是多个条件同时成立的概率

条件概率:事件A在事件B发生条件下的概率

注:朴素的含义又称为概率

贝叶斯使用的优缺点:

特别提醒:

为了防止在贝叶斯计算的过程中出现概率为0的情况。建议使用拉普拉斯平滑方法。

理解拉普拉斯平方法 实际操作是 同时在数据中加上一样的数值,进行计算。

注:贝叶斯计算出来的准确性无法进行进一步的提高。

贝叶斯的计算方法受到数据质量影响大

贝叶斯适用于文本分析,如对于文章,电影类型关键词的提取后对其他文章和电影进行分类。

def naivbayes():
    """
    朴素贝叶斯进行文本分类
    :return: None
    """
    news = fetch_20newsgroups(subset="all")
    #进行数据的分割 训练集合训练集
    x_train,x_test,y_train,y_test = train_test_split(news.data,news.target,test_size=0.25)

    #进行数据进行特征抽取
    tf = TfidfVectorizer()

    #训练集当中的词列表进行每篇文章重要性统计["a","b"]
    x_train = tf.fit_transform(x_train)

    print(tf.get_feature_names())
    
    x_test = tf.fit_transform(x_test)

    #贝叶斯算法预测
    mlt = MultinomialNB(alpha=1.0)

    print(x_train.toarry())

    mlt.fit(x_train,y_train)

    y_predict =mlt.predict(x_test)

    print("预测文章类别为:" ,y_predict)

    #得出准确率
    print("准确率为:",mlt.score(x_test,y_test))

    print("类别的精准率和召回率:",classification_report(y_test,y_predict,target_names=news.target_names))

    return None
if __name__ == "__main__":
    naivbayes()

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值