Python机器学习及实践从零开始通往Kaggle竞赛之路之第二章第三个程序朴素贝叶斯分类器

最新推荐文章于 2022-08-16 23:34:08 发布

YYLin-AI

最新推荐文章于 2022-08-16 23:34:08 发布

阅读量238

点赞数 1

分类专栏： Python机器学习及实践从零开始通往Kaggle竞赛之路文章标签：深度学习

版权归世界上所有无产阶级所有

本文链接：https://blog.csdn.net/qq_41776781/article/details/89154764

版权

Python机器学习及实践从零开始通往Kaggle竞赛之路专栏收录该内容

10 篇文章 1 订阅

订阅专栏

前言：使用朴素贝叶斯模型对数据集进行划分，前面介绍的线性分类器和支持向量机的分类器都适用于数据集能够使用线性分类器进行划分，而朴素贝叶斯考虑的是数据集中样本每个属性被划分不同数据集的概率。然后计算整体被划分不同样本的概率。后期补上代码中MultinomialNB()函数的理解。

参考代码：

# -*- coding: utf-8 -*-
# @Time    : 2019/4/8 0:07
# @Author  : YYLin
# @Email   : 854280599@qq.com
# @File    : Third-Program-MultinomialNB-20news.py
# 从sklearn.datasets里导入新闻数据抓取器fetch_20newsgroups。
from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
# CountVectorizer根据单词出现的次数表示单词的独热编码
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.metrics import classification_report

# 加载数据集并进行划分
news = fetch_20newsgroups(subset='all')
print(len(news.data))
print(news.data[0])
X_train, X_test, y_train, y_test = train_test_split(news.data, news.target, test_size=0.25, random_state=33)

# 处理数据集
vec = CountVectorizer()
X_train = vec.fit_transform(X_train)
X_test = vec.transform(X_test)

# 使用朴素贝叶斯模型进行划分
from sklearn.naive_bayes import MultinomialNB
mnb = MultinomialNB()
mnb.fit(X_train, y_train)

# 测试数据集 显示预测的结果
y_predict = mnb.predict(X_test)
print('The accuracy of Naive Bayes Classifier is', mnb.score(X_test, y_test))
print(classification_report(y_test, y_predict, target_names = news.target_names))

实验结果：