11.sklearn中的朴素贝叶斯模型及其应用

#1.使用朴素贝叶斯模型对iris数据集进行花分类

#尝试使用3种不同类型的朴素贝叶斯：

#高斯分布型,多项式型,伯努利型

from sklearn import datasets

iris=datasets.load_iris()

from sklearn.naive_bayes import GaussianNB #高斯分布型

gnb=GaussianNB()

pred=gnb.fit(iris.data,iris.target)

y_pred=gnb.predict(iris.data)

print(iris.data.shape[],(iris.target != y_pred).sum())

150 6

from sklearn import datasets

iris=datasets.load_iris()

from sklearn.naive_bayes import BernoulliNB #伯努利型

gnb=BernoulliNB()

pred=gnb.fit(iris.data,iris.target)

y_pred=gnb.predict(iris.data)

print(iris.data.shape[],(iris.target != y_pred).sum())

150 100

from sklearn import datasets

iris=datasets.load_iris()

from sklearn.naive_bayes import MultinomialNB #多项式型

gnb=MultinomialNB()

pred=gnb.fit(iris.data,iris.target)

y_pred=gnb.predict(iris.data)

print(iris.data.shape[],(iris.target != y_pred).sum())

150 7

#2.使用sklearn.model_selection.cross_val_score()，对模型进行验证。

#检测模型的好坏BernoulliNB

from sklearn.naive_bayes import BernoulliNB

from sklearn.model_selection import cross_val_score

gnb = BernoulliNB()

scores=cross_val_score(gnb,iris.data,iris.target,cv=)

print("Accuray:%.3f"%scores.mean())

Accuray:0.333

from sklearn.naive_bayes import MultinomialNB

from sklearn.model_selection import cross_val_score

gnb = MultinomialNB()

scores=cross_val_score(gnb,iris.data,iris.target,cv=)

print("Accuray:%.3f"%scores.mean())

Accuray:0.953

from sklearn.naive_bayes import GaussianNB

from sklearn.model_selection import cross_val_score

gnb = GaussianNB()

scores=cross_val_score(gnb,iris.data,iris.target,cv=)

print("Accuray:%.3f"%scores.mean())

Accuray:0.953

巴特西

11.sklearn中的朴素贝叶斯模型及其应用

最新文章

热门文章