FATFS(筆記1)-SD卡建立FATFS檔案系統,輸出檔案列表
阿新 • • 發佈:2021-06-23
樸素貝葉斯分類
實驗三 樸素貝葉斯演算法
這個作業屬於哪個課程 | [AHPU-機器學習](https://edu.cnblogs.com/campus/ahgc/machinelearning/homework/12085 |
---|---|
這個作業要求在哪裡 | 實驗三 樸素貝葉斯演算法 |
這個作業的目標 | 理解樸素貝葉斯演算法,能實現樸素貝葉斯演算法 |
學號 | 3170701219 |
- 一、實驗目的
- 二、實驗內容
- 三、實驗報告要求
- 四、實驗過程及核心程式碼註釋
- 五、實驗結果
- 六、實驗小結
一、實驗目的
1.理解樸素貝葉斯演算法原理,掌握樸素貝葉斯演算法框架;
2.掌握常見的高斯模型,多項式模型和伯努利模型;
3.能根據不同的資料型別,選擇不同的概率模型實現樸素貝葉斯演算法;
4.針對特定應用場景及資料,能應用樸素貝葉斯解決實際問題。
二、實驗內容
1.實現高斯樸素貝葉斯演算法。
2.熟悉sklearn庫中的樸素貝葉斯演算法;
3.針對iris資料集,應用sklearn的樸素貝葉斯演算法進行類別預測。
4.針對iris資料集,利用自編樸素貝葉斯演算法進行類別預測。
三、實驗報告要求
1.對照實驗內容,撰寫實驗過程、演算法及測試結果;
2.程式碼規範化:命名規則、註釋;
3.分析核心演算法的複雜度;
4.查閱文獻,討論各種樸素貝葉斯演算法的應用場景;
5.討論樸素貝葉斯演算法的優缺點。
四、實驗過程及核心程式碼註釋
1.核心程式碼註釋
GaussianNB 高斯樸素貝葉斯
特徵的可能性被假設為高斯概率密度函式: 數學期望(mean):μ,方差:
class NaiveBayes: def __init__(self): self.model = None # 數學期望 @staticmethod def mean(X): return sum(X) / float(len(X)) # 標準差(方差) def stdev(self, X): avg = self.mean(X) return math.sqrt(sum([pow(x - avg, 2) for x in X]) / float(len(X))) # 概率密度函式 def gaussian_probability(self, x, mean, stdev): exponent = math.exp(-(math.pow(x - mean, 2) / (2 * math.pow(stdev, 2)))) return (1 / (math.sqrt(2 * math.pi) * stdev)) * exponent # 處理X_train def summarize(self, train_data): summaries = [(self.mean(i), self.stdev(i)) for i in zip(*train_data)] return summaries # 分類別求出數學期望和標準差 def fit(self, X, y): labels = list(set(y)) data = {label: [] for label in labels} for f, label in zip(X, y): data[label].append(f) self.model = { label: self.summarize(value) for label, value in data.items() } return 'gaussianNB train done!' # 計算概率 def calculate_probabilities(self, input_data): # summaries:{0.0: [(5.0, 0.37),(3.42, 0.40)], 1.0: [(5.8, 0.449),(2.7, 0.27)]} # input_data:[1.1, 2.2] probabilities = {} for label, value in self.model.items(): probabilities[label] = 1 for i in range(len(value)): mean, stdev = value[i] probabilities[label] *= self.gaussian_probability( input_data[i], mean, stdev) return probabilities # 類別 def predict(self, X_test): # {0.0: 2.9680340789325763e-27, 1.0: 3.5749783019849535e-26} label = sorted( self.calculate_probabilities(X_test).items(), key=lambda x: x[-1])[-1][0] return label def score(self, X_test, y_test): right = 0 for X, y in zip(X_test, y_test): label = self.predict(X) if label == y: right += 1 return right / float(len(X_test))
2.伯努利模型和多項式模型
from sklearn.naive_bayes import BernoulliNB, MultinomialNB model = NaiveBayes() model.fit(X_train, y_train) print(model.predict([4.4, 3.2, 1.3, 0.2])) model.score(X_test, y_test) from sklearn.naive_bayes import GaussianNB clf = GaussianNB() clf.fit(X_train, y_train) clf.score(X_test, y_test) clf.predict([[4.4, 3.2, 1.3, 0.2]])