用Python实现朴素贝叶斯算法判断客户消费意愿【学习笔记】

任务：用朴素贝叶斯预测客户购买商品的概率，训练模型基于用户基本信息，预测其购买商品的概率（通过sklearn库来完成）。

样本数据：

其中：

• gender代表性别：0代表女性，1代表男性。
• city代表城市：0代表非一线城市，1代表一线城市。
• cost代表消费能力：0代表一般，1代表较强。
• surplus代表账户余额：0代表较少，1代表较多。
• device代表所用设备：0代表苹果，1代表安卓。
• y代表客户是否购买：0代表未购买，1代表已购买。

测试样本：

---

贝叶斯公式：

若有多个Bi，则公式可变为：

概率是反映随机事件出现的可能性大小的量度,而条件概率则是给定某事件A的条件下，另一事件B发生的概率。全概率公式则是利用条件概率,将复杂事件A分割为若干简单事件概率的求和问题。贝叶斯公式则是利用条件概率和全概率公式计算后验概率。

朴素贝叶斯：

以贝叶斯定理为基础，假设特征之间相互独立，先通过训练数据集，学习从输入到输出的概率分布，再基于学习到的模型及输入，求出使得后验概率最大的输出实现分类。

详细：

---

代码编写：

import pandas as pd
import numpy as np
# 数据加载
data = pd.read_csv('bayes_consume01.csv')
print('样本数据：\n',data)
# 训练数据赋值
# X赋值
X = data.drop(['y'],axis=1)
# 把y列去掉,axis=1代表去掉列，axis=0代表去掉行
print('各组样本数据中的X：\n',X)
# Y赋值
Y = data.loc[:,'y']
print('各组样本数据中的Y：\n',Y)

# 建立模型
# 引入模型模块
from sklearn.naive_bayes import CategoricalNB
# 建立模型实例
model = CategoricalNB()
# 这条语句写完就已经建立了模型，只不过模型还未进行训练
# 模型训练
model.fit(X,Y)
print('***模型训练完毕***')
# 输出预测的概率，得到预测结果是0的概率或预测结果是1的概率
Y_predict_prob = model.predict_proba(X)
# 有两列数据，第一列是Y＝0的概率，第二列是Y=1的概率
print('各组样本预测结果分别为0,1的概率：\n',Y_predict_prob)
# 取每一行的两个概率中较大的那个作为最终结果
# 输出预测的结果，即Y
Y_predict = model.predict(X)
# model.predict与model.predict_proba方法不同的是，前者输出结果，后者输出概率
print('各组样本预测结果：\n',Y_predict)
# 计算模型准确率
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(Y,Y_predict)
# Y是训练集文件中给出的结果，Y_predict是通过模型预测的结果
print('模型准确率：\n',accuracy)

# 测试样本的预测 测试样本 0,1,1,0,1
X_t = np.array([[0,1,1,0,1]])
# 预测测试样本的0和1的概率
Y_t_pro = model.predict_proba(X_t)
print('测试样本预测结果分别为0,1的概率：\n',Y_t_pro)
# 预测测试样本的输出结果
Y_t = model.predict(X_t)
print('测试样本预测的结果：',Y_t)

输出结果：

样本数据展示：

样本数据中X：

样本数据中Y：

模型训练结果：

模型训练结果与样本预测结果：

---

欢迎大家查看作者的主页，主页中还有关于编程与算法方面的更多内容，欢迎大家相互沟通学习~