基于python的贝叶斯分类算法_Python实现贝叶斯分类器

患者的年纪，怀孕和血液检查的次数。所有患者都是

21

岁以上（含

21

岁）的女性，所有属

性都是数值型，而且属性的单位各不相同。

每一个记录归属于一个类，

这个类指明以测量时间为止，

患者是否是在

5

年之内感染的糖尿

病。如果是，则为

1

，否则为

0

。

机器学习文献中已经多次研究了这个标准数据集，好的预测精度为

70%-76%

。

下面是

pima-indians.data.csv

文件中的一个样本，了解一下我们将要使用的数据。

注意：

下载

文件

，然后以

.csv

扩展名保存（如：

pima-indians-diabetes.data.csv

）。查看

文件

中所有属性的描述。

Python

1

2

3

4

5

6,148,72,35,0,33.6,0.627,50,1

1,85,66,29,0,26.6,0.351,31,0

8,183,64,0,0,23.3,0.672,32,1

1,89,66,23,94,28.1,0.167,21,0

0,137,40,35,168,43.1,2.288,33,1

朴素贝叶斯算法教程

教程分为如下几步：

1.

处理数据：

从

CSV

文件中载入数据，然后划分为训练集和测试集。

2.

提取数据特征：

提取训练数据集的属性特征，以便我们计算概率并做出预测。

3.

单一预测：

使用数据集的特征生成单个预测。

4.

多重预测：

基于给定测试数据集和一个已提取特征的训练数据集生成预测。

5.

评估精度：

评估对于测试数据集的预测精度作为预测正确率。

6.

合并代码：

使用所有代码呈现一个完整的、独立的朴素贝叶斯算法的实现。

1.

处理数据