李航《统计学习方法》第2版 第5章 Python编程决策树(ID3未剪枝) 实现mnist数据集分类

本文介绍了使用Python编程实现ID3决策树算法,对MNIST数据集进行未剪枝的分类。提供了详细代码及注释,便于理解和实践。
摘要由CSDN通过智能技术生成

代码(有注释):

# coding=utf-8
#参考深度之眼:Dodo老师的代码
'''
数据集:Mnist
训练集数量:60000
测试集数量:10000
------------------------------
运行结果:ID3(未剪枝)
    正确率:85.9%
    运行时长:356s
'''

import time
import numpy as np


def loadData(fileName):
	'''
	加载文件
	:param fileName:要加载的文件路径
	:return: 数据集和标签集
	'''
	# 存放数据及标记
	dataArr 
  • 2
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
第四李航统计学方法(第二)详细介绍了朴素贝叶斯算法以及其编程实现。朴素贝叶斯算法是基于贝叶斯定理和特征条件独立假设的分类算法。它通过计算给定类别的先验概率和各个特征的条件概率来进行分类。 在编程实现朴素贝叶斯算法的过程中,我们可以使用Python语言和sklearn模块来简化实现过程。sklearn是Python中一个非常常用的机器学习库,其中包含了很多经典的机器学习算法和常用的工具函数。 具体实现朴素贝叶斯算法可以分为以下几个步骤: 1. 引入相应的库和模块: ```python from sklearn.naive_bayes import GaussianNB ``` 2. 创建一个朴素贝叶斯分类器对象: ```python clf = GaussianNB() ``` 3. 准备训练数据和标签: ```python X_train = [[方法1特征1, 方法1特征2, ...], [方法2特征1, 方法2特征2, ...], ...] y_train = [标签1, 标签2, ...] ``` 4. 训练模型: ```python clf.fit(X_train, y_train) ``` 5. 准备测试数据: ```python X_test = [[方法3特征1, 方法3特征2, ...], [方法4特征1, 方法4特征2, ...], ...] ``` 6. 进行预测: ```python y_pred = clf.predict(X_test) ``` 这样就可以使用sklearn中的朴素贝叶斯算法模块来实现分类任务。实际上,sklearn还提供了多个不同的朴素贝叶斯算法的实现,如高斯朴素贝叶斯算法(GaussianNB)、多项式朴素贝叶斯算法(MultinomialNB)和伯努利朴素贝叶斯算法(BernoulliNB)等。 总之,通过使用sklearn模块来调用朴素贝叶斯算法,可以方便地实现并应用该算法进行分类任务,并且能够根据需要选择不同的朴素贝叶斯算法模型。建议阅读第四李航统计学方法(第二)来更加深入地理解朴素贝叶斯算法的原理和实现细节。
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

#苦行僧

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值