朴素贝叶斯例题（机器学习：基于朴素贝叶斯对花瓣花萼的宽度和长度分类预测）

时间2025-06-19 16:55:24分类IT科技浏览4494

导读：机器学习：基于朴素贝叶斯对花瓣花萼的宽度和长度分类预测...

机器学习：基于朴素贝叶斯对花瓣花萼的宽度和长度分类预测

作者：AOAIYI

作者简介：Python领域新星作者、多项比赛获奖者：AOAIYI首页

😊😊😊如果觉得文章不错或能帮助到你学习，可以点赞👍收藏📁评论📒+关注哦！👍👍👍

📜📜📜如果有小伙伴需要数据集和学习交流，文章下方有交流学习区！一起学习进步！💪

专栏案例：机器学习机器学习：基于逻辑回归对某银行客户违约预测分析机器学习：学习k-近邻（KNN）模型建立、使用和评价机器学习：基于支持向量机（SVM）进行人脸识别预测决策树算法分析天气、周末和促销活动对销量的影响机器学习：线性回归分析女性身高与体重之间的关系机器学习：基于主成分分析（PCA）对数据降维

一、实验目的

1.理解朴素贝叶斯的原理

2.掌握scikit-learn贝叶斯的用法

3.认识可视化工具seaborn

二、实验原理

1.分类问题描述

贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。而朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法，对于分类问题，其实谁都不会陌生，日常生活中我们每天都进行着分类过程。例如，当你看到一个人，你的脑子下意识判断他是学生还是社会上的人；你可能经常会走在路上对身旁的朋友说“这个人一看就很有钱 ”之类的话，其实这就是一种分类操作，贝叶斯分类算法，那么分类的数学描述又是什么呢？

其中C叫做类别集合，其中每一个元素是一个类别，而I叫做项集合（特征集合），其中每一个元素是一个待分类项，f叫做分类器。分类算法的内容是要求给定特征，构造分类器f ，让我们得出类别。

2.Bayes’ theorem(贝叶斯法则)

在概率论和统计学中，Bayes theorem（贝叶斯法则）根据事件的先验知识描述事件的概率。贝叶斯法则表达式如下所示：

P(A|B) – 在事件B下事件A发生的条件概率

P(B|A) – 在事件A下事件B发生的条件概率

P(A), P(B) – 独立事件A和独立事件B的边缘概率

朴素贝叶斯方法是一组监督学习算法，它基于贝叶斯定理应用每对特征之间的“天真 ”独立假设。给定类变量y和从属特征矢量X1通过Xn ，贝叶斯定理状态下列关系式：

使用天真的独立假设

对所有人来说i ，这种关系简化为

由于

输入是常数，我们可以使用以下分类规则：

我们可以使用最大后验（MAP）估计来估计的

和

前者是y 训练集中类的相对频率。不同的朴素贝叶斯分类器主要区别于他们对分布的假设

3.朴素贝叶斯分类算法

在scikit-learn中，提供了3种朴素贝叶斯分类算法：GaussianNB(高斯朴素贝叶斯) 、MultinomialNB(多项式朴素贝叶斯) 、BernoulliNB(伯努利朴素贝叶斯)

可以参考文档：

http://scikit-learn.org/stable/modules/naive_bayes.html

http://scikit-learn.org/stable/modules/generated/sklearn.naive_bayes.GaussianNB.html

三、实验环境

利用scikit-learn提供的三种朴素贝叶斯算法，构建分类器，根据花瓣花萼的宽度和长度判断他们属于哪一类

四、实验内容

Python 3.9

Jupyter notebook

五、实验步骤

1.朴素贝叶斯

贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。而朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法

2.业务理解

先有一张表格，描述了花瓣的特征和种类，利用scikit-learn提供的三种朴素贝叶斯算法，构建分类器，根据花瓣花萼的宽度和长度预测他们属于哪一个品种

3.读取数据

1.编写代码，读取数据

#导入pandas库和numpy库 import pandas as pd import numpy as np iris = pd.read_csv(rD:\CSDN\数据分析\naivebayes\iris.csv) iris.head()

4.数据理解

1.查看数据结构

iris.shape

说明：该数据总共有150行，5列

2.查看数据列名称

iris.columns

5.数据准备

1.删除“种类 ”这列数据得到特征数据如下：

X_iris = iris.drop([species],axis=1) X_iris.head()

2.获取“species ”这列数据并将其转换为数组，得到预测数据

y_iris = np.ravel(iris[[species]]) y_iris

3.查看y_iris总共有多少行

y_iris.shape

6.构建数据训练集和测试集

1.构建训练和测试数据集

#导入相应的库 from sklearn.model_selection import train_test_split #将数据分为训练集，测试集 X_train,X_test,y_train,y_test = train_test_split(X_iris,y_iris,random_state=1) #获取数据前5行 X_train.head()

说明：将数据分为训练集和测试集，默认情况下，75%的数据用于训练，25%的数据用于测试

训练集是用于发现和预测潜在关系的一组数据。测试集是用于评估预测关系强度和效率的一组数据。

2.查看训练集和测试集的数据结构

print(X_train.shape) print(X_test.shape) print(y_train.shape) print(y_test.shape)

说明：训练集：X_iris数据为(150,4) ，X_train为(112,4) ，X_test为(38,4)

sales数据为200行，y_train为(112,)，y_test为（38,）

3.查看y_train数据

y_train

7.构建三类模型

在scikit-learn中，提供了3种朴素贝叶斯分类算法：GaussianNB(高斯朴素贝叶斯) 、MultinomialNB(多项式朴素贝叶斯) 、BernoulliNB(伯努利朴素贝叶斯)

GaussianNB实现高斯朴素贝叶斯算法进行分类。假设特征的可能性是高斯的：

1.利用GaussianNB(高斯朴素贝叶斯)类建立简单模型并预测

from sklearn.naive_bayes import GaussianNB #利用GaussianNB类建立简单模型 gb= GaussianNB() model_GaussinaNB = gb.fit(X_train,y_train) #predict(X)：直接输出测试集预测的类标记,X_test为测试集 y_predict_GaussianNB= model_GaussinaNB.predict(X_test) print("y_predict_GaussianNB",y_predict_GaussianNB)

构建一个新的测试数组

import pandas as pd z_data ={sepal_length:[5],sepal_width:[3],petal_length:[3],petal_width:[1.8]} Z_data =pd.DataFrame(z_data,columns=[sepal_length,sepal_width,petal_length,petal_width]) print(Z_data)

将测试数据带入模型预测得到预测结果

Z_model_predict=model_GaussinaNB.predict(Z_data) print(Z_model_predict,Z_model_predict)

说明：当我们提供的数据为’sepal_length’:[‘5’],‘sepal_width’:[‘3’],‘petal_length’:[‘3’],‘petal_width’:[‘1.8’]时，预测它属于‘versicolor’这个种类，到底预测正确与否呢？接下来看一下预测结果的平均值

查看预测结果的平均值

#预测结果 y_predict_GaussianNB==y_test

mean()函数功能：求取均值

y_test_mean=np.mean(y_predict_GaussianNB==y_test) print(y_test_GaussianNB_mean,y_test_mean)

查看预测正确率

score(X, y[, sample_weight]) 返回给定测试数据和标签的平均精度

gb.score(X_train,y_train)

2.BernoulliNB(伯努利朴素贝叶斯)

BernoulliNB实现了根据多元伯努利分布的数据的朴素贝叶斯训练和分类算法; 即，可能存在多个特征，但每个特征被假定为二进制值（伯努利，布尔）变量。因此，该类要求将样本表示为二进制值特征向量；如果传递任何其他类型的数据，BernoulliNB实例可以将其输入二值化（取决于binarize参数）。

伯努利朴素贝叶斯的决策规则是基于

利用BernoulliNB类建立简单模型并预测

# ====================BernoulliNB from sklearn.naive_bayes import BernoulliNB model_BernoulliNB=BernoulliNB().fit(X_train,y_train) y_predict_BernoulliNB=model_BernoulliNB.predict(X_test) print(y_test_BernoulliNB_mean,np.mean(y_predict_BernoulliNB==y_test))

3.MultinomialNB(多项式朴素贝叶斯)

MultinomialNB实现用于多项分布数据的朴素贝叶斯算法，并且是用于文本分类的两种经典朴素贝叶斯变体之一（其中数据通常表示为单词向量计数，尽管tf-idf向量也已知在实践中很好地工作）。

利用MultinomialNB类建立简单模型并预测

# ====================MultinomialNB from sklearn.naive_bayes import MultinomialNB model_MultinomialNB=MultinomialNB().fit(X_train,y_train) y_predict_MultinomialNB=model_MultinomialNB.predict(X_test) print(y_test_MultinomialNBB_mean,np.mean(y_predict_MultinomialNB==y_test))

总结

每个人都会遇到困难跟挫折，要有同困难作斗争的决心跟勇气。困难跟挫折是成就事业的基石，岸在远方向我们招手，只要越过它，敢于在惊涛骇浪中博击，我们就会尝到胜利的果食。

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。

展开全文READ MORE

托管日本服务器要注意哪些事项和要求（托管日本服务器要注意哪些事项）

朴素贝叶斯 例题（机器学习：基于朴素贝叶斯对花瓣花萼的宽度和长度分类预测）