机器学习算法之贝叶斯

最新推荐文章于 2025-04-15 22:13:30 发布

原创

最新推荐文章于 2025-04-15 22:13:30 发布 · 2.7k 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#python #机器学习 #分类算法

本文详细介绍了机器学习中的贝叶斯算法，包括简单实例、朴素贝叶斯和高斯贝叶斯的原理及应用。通过实例展示了如何使用Python的sklearn库进行数据预处理和模型训练，强调了高斯贝叶斯的工作过程。

一、简单实例

import numpy as np
X=np.array([[0,1,0,1],#模拟天气特征
          [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])
counts={
   
   }#计算不同分类每个特征为1的数量
for label in np.unique(y):
    counts[label]=X[y==label].sum(axis=0)
    print("feature counts:\n{}".format(counts))

显示结果
请添加图片描述

import numpy as np
X=np.array([[0,1,0,1],#模拟天气特征
          [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])
counts={
   
   }#计算不同分类每个特征为1的数量
for label in np.un