系列文章目录
数据挖掘之初识数据挖掘(一)
文章目录
前言
提示:这里可以添加本文要记录的大概内容:
例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。
提示:以下是本篇文章正文内容,下面案例可供参考
一、分类实践任务起点
贝叶斯分类算法是统计学的一种分类方法,它是一类利用概率统计知识进行分类的算法。在许多场合,朴素贝叶斯(Naïve Bayes,NB)分类算法可以与决策树和神经网络分类算法相媲美,该算法能运用到大型数据库中,而且方法简单、分类准确率高、速度快。
基本流程
1读数据;
2数据划分;
3训练;
4模型评估;
5预测。
贝叶斯分类器本质上是同时考虑了先验概率和似然概率的重要性。
原理参考链接:link:贝叶斯分类器
代码示例
import sklearn
# 导入高斯朴素贝叶斯分类器
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split
import numpy as np
import pandas as pd
def knn_test():
data_url = "/data/workspace/myshixun/step1/iris_train.csv"
df = pd.read_csv(data_url)
X = df.iloc[:,1:4]
y=df.iloc[:,4]
#将数据分成两部分训练集与测试集
X_train, X_test, y_train, y_test = train_test_split(X, y