Sklearn实现朴素贝叶斯

最新推荐文章于 2024-06-19 23:33:50 发布

码农的世界，你不懂

最新推荐文章于 2024-06-19 23:33:50 发布

阅读量143

点赞数

分类专栏： python

本文链接：https://blog.csdn.net/u010395024/article/details/103885318

版权

本文详细介绍了如何利用Python的Scikit-learn库实现朴素贝叶斯分类器，从数据预处理到模型训练，再到预测和评估，涵盖了一个完整的机器学习流程。

摘要由CSDN通过智能技术生成

#------------------------------Sklearn 实现朴素贝叶斯-----------------------

# 在scikit-learn中，一共有3个朴素贝叶斯的分类算法类。
# 分别是GaussianNB，MultinomialNB和BernoulliNB。
# 其中GaussianNB就是先验为高斯分布的朴素贝叶斯，
# MultinomialNB就是先验为多项式分布的朴素贝叶斯，
# 而BernoulliNB就是先验为伯努利分布的朴素贝叶斯。
#
# 这三个类适用的分类场景各不相同，一般来说，如果样本特征的分布大部分是连续值，使用GaussianNB会比较好。
# 如果如果样本特征的分大部分是多元离散值，使用MultinomialNB比较合适。
# 而如果样本特征是二元离散值或者很稀疏的多元离散值，应该使用BernoulliNB。

#----------------------------------案例一------------------------------------
#GaussianNB_高斯朴素贝叶斯
import numpy as np
from sklearn.naive_bayes import GaussianNB
from sklearn.naive_bayes import MultinomialNB
from sklearn.naive_bayes import BernoulliNB

X=np.arra