本文对比了贝叶斯与决策树在银行借贷模型中的分类效果。数据集包括姓名、职业、教育程度等信息。实验结果显示决策树分类准确率高于贝叶斯高斯和多项式模型。虽然决策树和高斯模型召回率高，但查准率低，可能带来风险。在不同业务阶段，模型选择需权衡准确率和风险。
贝叶斯机器学习系列：
贝叶斯①——贝叶斯原理篇（联合概率&条件概率&贝叶斯定理&拉普拉斯平滑)
贝叶斯②——贝叶斯3种分类模型及Sklearn使用（高斯&多项式&伯努利）
贝叶斯③——Python实现贝叶斯文本分类（伯努利&多项式模型对比）
贝叶斯④——Sklean新闻分类（TF-IDF）
贝叶斯⑤——搜狗新闻分类实战（jieba + TF-IDF + 贝叶斯）
之前在决策树系列中写了一篇博客，是利用决策树建立了一个银行借贷模型，鉴于都是分类，今天就来对比下贝叶斯和决策树的分类效果。
一、数据集（文末有下载方式）
二、字段介绍
① name_id: 姓名
② profession： 职业，1-企业工作者，2-个体经营户，3-自由工作者，4-事业单位，5-体力劳动者
③ education： 教育程度，1-博士及以上，2-硕士，3-本科，4-专科，5-高中及以下
④ house_loan： 是否有房贷，1-有，0-没有
⑤ c
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
