借助sklearn机器学习工具库
代码十分简洁易懂,直接上代码,内有详细解释和步骤。
这里提供伯努利朴素贝叶斯和高斯朴素贝叶斯两种算法代码。
直接复制,带入数据,进行调用,即可出结果。
01.伯努利朴素贝叶斯
def Bernoulli_Naive_Bayes(X_train, Y_train, X_test, Y_test):
"""
X_train: 特征训练集
Y_train: 标注训练集
X_test: 特征测试集
Y_test: 标注测试集
"""
# 01.创建模型
from sklearn.naive_bayes import BernoulliNB
bnb_model = BernoulliNB()
# 02.训练模型
bnb_model = bnb_model.fit(X_train, Y_train)
# 03.模型预测
Y_pred = bnb_model.predict(X_test)
# 04.模型评价(accuracy_score:准确率;recall_score:召回率; f1_score:F值)
from sklearn.metrics import accuracy_score, recall_score, f1_score
print('ACC:', accuracy_score(Y_test, Y_pred))
print('REC:', recall_score(Y_test, Y_pred))
print('F-Score:', f1_score(Y_test, Y_pred))
return
02.高斯朴素贝叶斯
def Gaussian_Naive_Bayes(X_train, Y_train, X_test, Y_test):
"""
X_train: 特征训练集
Y_train: 标注训练集
X_test: 特征测试集
Y_test: 标注测试集
"""
# 01.创建模型
from sklearn.naive_bayes import GaussianNB
gnb_model = GaussianNB()
# 02.训练模型
gnb_model = gnb_model.fit(X_train, Y_train)
# 03.模型预测
Y_pred = gnb_model.predict(X_test)
# 04.模型评价(accuracy_score:准确率;recall_score:召回率; f1_score:F值)
from sklearn.metrics import accuracy_score, recall_score, f1_score
print('ACC:', accuracy_score(Y_test, Y_pred))
print('REC:', recall_score(Y_test, Y_pred))
print('F-Score:', f1_score(Y_test, Y_pred))
return
这里的模型评价指标选择了:
① accuracy_score:准确率;
② recall_score:召回率;
③ f1_score:F值。
在上面代码中都是针对测试集的效果,也可以对训练集进行预测,然后评价训练集的效果,综合比较,可以看看是否会出现过拟合现象。