数据挖掘实验——python实现朴素贝叶斯分类

朴素贝叶斯分类实验

一．实验目的
1.了解朴素贝叶斯算法基本原理；
2.能够使用朴素贝叶斯算法对数据进行分类
二．实验内容
利用贝叶斯算法或者决策树算法进行数据分类操作数据集：汽车评估数据集

关于朴素贝叶斯原理和案例可以看西瓜书详解：https://zhuanlan.zhihu.com/p/79527876

数据集：

import pandas as pddata = pd.read_csv("car.csv")
print(data.shape) #行数列数
print(data.dtypes) #所有列的数据类型
data.head()

# 输出各列的唯一值
m=[]
for i in data:m.append(list(set(data[i].values.tolist())))print(list(set(data[i].values.tolist())))

# 标注字典
Dict01={'low':1,'med':2,'high':3, 'vhigh':4}
Dict2={'2':0,  '3':1,  '4':2,  '5more':3}
Dict3={'2':0, '4':1,'more':2}
Dict4={'small':0,'med':1, 'big':2}
Dict5={'low':0,'med':1,'high':2}
Dict6={'unacc':0,  'acc':1,  'good':2,  'vgood':3}
L=[Dict01,Dict01,Dict2,Dict3,Dict4,Dict5,Dict6]
# 获取列名
columns=data.columns.tolist()
# 数据标注
for i in range(len(columns)):data[columns[i]] = data[columns[i]].map(L[i])
data.head()

加上预测完整代码：

import pandas as pddata = pd.read_csv("car.csv")
# 标注字典
Dict01={'low':1,'med':2,'high':3, 'vhigh':4}
Dict2={'2':0,  '3':1,  '4':2,  '5more':3}
Dict3={'2':0, '4':1,'more':2}
Dict4={'small':0,'med':1, 'big':2}
Dict5={'low':0,'med':1,'high':2}
Dict6={'unacc':0,  'acc':1,  'good':2,  'vgood':3}
L=[Dict01,Dict01,Dict2,Dict3,Dict4,Dict5,Dict6]
# 获取列名
columns=data.columns.tolist()
# 数据标注
for i in range(len(columns)):data[columns[i]] = data[columns[i]].map(L[i])# 预测
predict=[1,0,2,1,1,0]# 返回类别标签
labels=['unacc','acc','good','vgood']
classes = list(set(data.iloc[:,-1].tolist()))
result=[]
for i in range(len(classes)):test_result=[]test_data1=data[data['acceptability']==classes[i]]P1=test_data1.shape[0]/data.shape[0]print("原数据集第"+str(i)+"类的概率：",P1)for j in range(len(predict)):test_data2=test_data1[test_data1[columns[j]]==predict[j]]if test_data2.shape[0]==0:P2=1else:P2 = test_data2.shape[0]/test_data1.shape[0]print("在第"+str(i)+"类的条件下"+"X"+str(j)+"的概率：",P2)test_result.append(P2)print(test_result)multiply = 1.0for k in test_result:multiply *=kpro = multiply/P1print("属于第"+str(i)+"类的概率：",pro)result.append(pro)print("\n")print("属于各类的概率：",result)
max_index = result.index(max(result,key = abs))
print("测试结果：属于"+labels[max_index]+"\t概率为："+str(result[max_index]))

预测结果：

数据挖掘实验——python实现朴素贝叶斯分类相关推荐

使用 Python 进行朴素贝叶斯分类
定义在机器学习中,贝叶斯分类器是一种简单的概率分类器,它基于应用贝叶斯定理.朴素贝叶斯分类器使用的特征模型做出了很强的独立性假设.这意味着一个类的特定特征的存在与其他所有特征的存在是独立的或无关的. ...
【数据挖掘实验】利用朴素贝叶斯方法对百万搜狐新闻文本数据进行分类
一.概述本实验做的是一个很常见的数据挖掘任务:新闻文本分类. 语料库来自于搜狗实验室2008年和2012年的搜狐新闻数据, 下载地址:https://www.sogou.com/labs/resou ...
朴素贝叶斯python实现预测_Python实现朴素贝叶斯分类器的方法详解
本文实例讲述了Python实现朴素贝叶斯分类器的方法.分享给大家供大家参考,具体如下: 贝叶斯定理贝叶斯定理是通过对观测值概率分布的主观判断(即先验概率)进行修正的定理,在概率论中具有重要地位. 先 ...
朴素贝叶斯分类器python_朴素贝叶斯分类器及Python实现
贝叶斯定理贝叶斯定理是通过对观测值概率分布的主观判断(即先验概率)进行修正的定理,在概率论中具有重要地位. 先验概率分布(边缘概率)是指基于主观判断而非样本分布的概率分布,后验概率(条件概率)是根据 ...
[转载] 朴素贝叶斯python实现预测_Python实现朴素贝叶斯分类器的方法详解
参考链接: Python朴素贝叶斯分类器本文实例讲述了Python实现朴素贝叶斯分类器的方法.分享给大家供大家参考,具体如下: 贝叶斯定理贝叶斯定理是通过对观测值概率分布的主观判断(即先验概率)进 ...
朴素贝叶斯分类实验（垃圾邮件分类以及垃圾短信过滤数据集）
文章目录贝叶斯公式先验概率后验概率贝叶斯定理朴素贝叶斯分类器拉普拉斯修正防溢出策略实现垃圾邮件分类实现垃圾短信过滤(SMS数据集) 实验总结贝叶斯公式先验概率 P(cj)P(c_ ...
朴素贝叶斯分类器原理介绍及python代码实现
目录频率学派和贝叶斯学派朴素贝叶斯分类器 python实现朴素贝叶斯分类器频率学派和贝叶斯学派说起概率统计,不得不提到频率学派和贝叶斯学派,通过对概率的不同理解而演变的两个不同的概率学派. 频 ...
基于python的贝叶斯分类器_Python实现朴素贝叶斯分类器的方法详解
本文实例讲述了Python实现朴素贝叶斯分类器的方法.分享给大家供大家参考,具体如下: 贝叶斯定理贝叶斯定理是通过对观测值概率分布的主观判断(即先验概率)进行修正的定理,在概率论中具有重要地位. 先 ...
河北工业大学数据挖掘实验四贝叶斯决策分类算法
贝叶斯决策分类算法一.实验目的二.实验原理 1.先验概率和类条件概率 2.贝叶斯决策三.实验内容和步骤 1.实验内容 2.实验步骤 3.程序框图 4.实验样本 5.实验代码四.实验结果五.实 ...

数据挖掘实验——python实现朴素贝叶斯分类

数据挖掘实验——python实现朴素贝叶斯分类相关推荐

最新文章

热门文章