高斯朴素贝叶斯、K近邻算法实现 | Python

最新推荐文章于 2022-04-07 10:31:47 发布

onemsg 徽章

最新推荐文章于 2022-04-07 10:31:47 发布

阅读量485

点赞数

分类专栏： Projects 文章标签： KNN 贝叶斯 python

本文链接：https://blog.csdn.net/onedayilove/article/details/97184497

版权

这篇博客介绍了如何使用Python实现高斯朴素贝叶斯和K近邻算法，依赖numpy和pandas库。文中详细讲解了算法，并通过与SKlearn库的比较验证了实现的正确性，展示了在jupyter notebook上的测试结果，证明预测结果与SKlearn一致。

摘要由CSDN通过智能技术生成

这些算法实现依赖于numpy/pandas库，而且度量结果与SKlearn一致

贝叶斯算法实现

算法介绍: 华校专的笔记

这里只实现了 “假设所有特征都是数值型”。

class GaussianNaiveBayes():
    
    def __init__(self):
        # 有多少类别
        self.classes = None
        # 每个类别的概率
        self.tags_ = {}
        # 每个类别每列的均值
        self.theta_ = {}
        # 每个类别每列的标准差
        self.sigma_ = {}
        
    def fit(self,X,y):
        self.X = np.array(X)
        self.y = np.array(y)
        self.classes = list(np.unique(self.y))
        for c in self.classes:
            X_c = self.X[np.where(self.y == c )]
            X_mean_c = np.mean(X_c,axis=0)
            X_std_c = np.std(X_c,axis&