一、資料集介紹及預處理

本次應用到的資料集為企業運營評估資料集 course-10-company.csv，總共有 250 條資料，每條資料包括 6 個特徵值，分別為：

• industrial_risk: 產業風險
• management_risk: 管理風險
• finacial_flexibility: 資金靈活性
• credibility: 信用度
• competitiveness: 競爭力
• operating_risk: 操作風險

其中，每條特徵值包括 3 個等級，分別為：

• Positive: 好
• Average: 中
• Negative: 壞

3 個等級分別用 P, A, N 代替。

通過這些特徵對該企業是否會破產進行分類預測，其中：

• NB: 表示不會破產
• B: 表示會破產

二、資料集劃分

載入好資料集之後，為了實現樸素貝葉斯演算法，同樣我們需要將資料集分為 訓練集和測試集，依照經驗：訓練集佔比為 70%，測試集佔 30%。

同樣在此我們使用 scikit-learn 模組的 train_test_split 函式完成資料集切分。

from sklearn.model_selection import train_test_split

x_train,x_test, y_train, y_test =train_test_split(train_data,train_target,test_size=0.4, random_state=0)
 

其中：

• x_train,x_test, y_train, y_test 分別表示，切分後的特徵的訓練集，特徵的測試集，標籤的訓練集，標籤的測試集；其中特徵和標籤的值是一一對應的。
• train_data,train_target分別表示為待劃分的特徵集和待劃分的標籤集。
• test_size：測試樣本所佔比例。
• random_state：隨機數種子,在需要重複實驗時，保證在隨機數種子一樣時能得到一組一樣的隨機數。

# 匯入資料集
# !wget -nc http://labfile.oss.aliyuncs.com/courses/1081/course-10-company.csv

import pandas as
 
 pd

enterprise_data = pd.read_csv('course-10-company.csv')
enterprise_data.head()

enterprise_data = enterprise_data.replace(
    {"P": 1, "A": 2, "N": 3, "NB": 0, "B": 1})  # 對元素值進行替換
enterprise_data

"""資料集劃分
"""
from sklearn.model_selection import train_test_split

# 得到企業運營評估資料集中 feature 的全部序列: industrial_risk, management_risk 等特徵
feature_data = enterprise_data.iloc[:, :-1]
label_data = enterprise_data["label"]  # 得到企業運營評估資料集中 label 的序列
x_train, x_test, y_train, y_test = train_test_split(
    feature_data, label_data, test_size=0.3, random_state=4)

x_test  # 輸出企業運營評估資料測試集檢視

三、建立分類預測模型

資料集表現出離散型的特徵。所以，根據上文中提到的模型選擇經驗，這裡選用多項式模型。在前面的實驗中我們採用 python 對樸素貝葉斯演算法進行實現，下面我們通過 scikit-learn 來對其進行實現。

在 scikit-learn 樸素貝葉斯類及引數如下：

MultinomialNB(alpha=1.0, fit_prior=True, class_prior=None)

其中：

• alpha 表示平滑引數，如拉普拉斯平滑則 alpha=1。
• fit_prior 表示是否使用先驗概率，預設為 True。
• class_prior 表示類的先驗概率。

常用方法:

• fit(x,y)選擇合適的貝葉斯分類器。
• predict(X) 對資料集進行預測返回預測結果。

"""利用 scikit-learn 構建多項式樸素貝葉斯分類器
"""
from sklearn.naive_bayes import MultinomialNB


def sk_classfy(x_train, y_train, x_test):
    sk_clf = MultinomialNB(alpha=1.0, fit_prior=True)  # 定義多項式模型分類器
    sk_clf.fit(x_train, y_train)  # 進行模型訓練
    return sk_clf.predict(x_test)


y_predict = sk_classfy(x_train, y_train, x_test)
y_predict

四、分類準確率計算

當我們訓練好模型並進行分類預測之後，可以通過比對預測結果和真實結果得到預測的準確率。

$accur=\frac{\sum_{i=1}^{N}I(\bar{y_{i}}=y_{i})}{N}\tag{11}$

公式(11)中 $N$ 表示資料總條數，$\bar{y_{i}}$ 表示第 $i$ 條資料的種類預測值，$y_{i}$ 表示第 $i$ 條資料的種類真實值，$I$ 同樣是指示函式，表示 $\bar{y_{i}}$ 和 $y_{i}$ 相同的個數。

"""準確率計算
"""

def get_accuracy(test_labels, pred_labels):
    correct = np.sum(test_labels == pred_labels)  # 計算預測正確的資料個數
    n = len(test_labels)  # 總測試集資料個數
    accur = correct/n
    return accur


get_accuracy(y_test, y_predict)