基于python的贝叶斯分类算法预测_python机器学习:3：朴素贝叶斯算法

1.朴素贝叶斯的基本概念

1.1贝叶斯定理：

朴素贝叶斯(Naive Bayers)算法是一种基于概率统计的分类方法。它在条件独立假设的基础上，使用贝叶斯定理构建算法，在文本处理领域有广泛的应用。公式如下：

1.2朴素贝叶斯的简单应用：

过去的7天当中，有3天下雨，4天没有下雨。用0代表未下雨，1代表下雨，可以用一个数组来表示：

而这7天当中，还有另外一些信息，包括刮北风、闷热、多云，以及天气预报给出的信息，入表所示：

image.png

[图片上传中...(image.png-92e81-1561458243427-0)]

同样地，用0代表否，1代表是，可以得到另外一个数组：

通过python程序找出下雨和未下雨的规律

#将X，y赋值为np数组

X = np.array([[0, 1, 0, 1],

[1, 1, 1, 0],

[0, 1, 1, 0],

[0, 0, 0, 1],

[0, 1, 1, 0],

[0, 1, 0, 1],

[1, 0, 0, 1]])

y = np.array( [0, 1, 1, 0, 1, 0, 0])

#对不同分类计算每个特征为1的数量

counts = {}

for label in np.unique(y):

counts[label] = X[y == label].sum(axis=0)

print("feature counts:\n{}".format(counts))

打印结果：

feature counts:

{0: array([1, 2, 0, 4]), 1: array([1, 3, 3, 0])}

分析结果：

y=0(未下雨)，这四天里，1天刮北风，2天闷热，没多云，4天播报有雨

y=1(下雨)，这四天里，1天刮北风，3天闷热，3天多云，未播报有雨

将X变量和y分类目标代入朴素贝叶斯来进行预测：

from sklearn.naive_bayes import BernoulliNB

clf = BernoulliNB()

clf.fit(X, y)

#要进行预测的这一天，没有刮北风，也不闷热</