ai-机器学习算法实现之高斯朴素贝叶斯.zip

#GaussianNB(高斯)类 from sklearn import datasets from sklearn.naive_bayes import GaussianNB import numpy as np iris=datasets.load_iris() #核心代码:其实fit后面还有一个参数即fit(X, y, sample_weight=None),sample_weight表各样本权重数组，假如一共训练8个样本 #则可以写为clf.fit(iris.data[:8], iris.target[:8],sample_weight=np.array([0.05,0.05,0.1,0.1,0.1,0.2,0.2,0.2])) clf=GaussianNB() clf.fit(iris.data,iris.target) ''' #GaussianNB一个重要的功能是有 partial_fit方法，这个方法的一般用在如果训练集数据量非常大，一次不能全部载入 #内存的时候。这时我们可以把训练集分成若干等分，重复调用partial_fit来一步步的学习训练集，非常方便 #在第一次调用partial_fit函数时，必须制定classes参数，在随后的调用可以忽略 clf.partial_fit(iris.data, iris.target,classes=[0,1,2]) ''' #学习后模型中的一些参数 clf.set_params(priors=[0.333, 0.333, 0.333])#这里要设一下各个类标记对应的先验概率，如果不设置直接clf.priors返回的是None(不知道为什么？) print(clf.priors) #获取各个类标记对应的先验概率 print(clf.class_prior_ ) #同priors一样，都是获取各个类标记对应的先验概率，区别在于priors属性返回列表，class_prior_返回的是数组 print(clf.get_params(deep=True)) #返回priors与其参数值组成字典 print(clf.class_count_) #获取各类标记对应的训练样本数 print(clf.theta_) #获取各个类标记在各个特征上的均值 print(clf.sigma_) #获取各个类标记在各个特征上的方差 #测试数据 data_test=np.array([6,4,6,2]) data=data_test.reshape(1,-1) Result_predict=clf.predict(data) Score=clf.score([[6,8,5,3],[5,3,4,2],[4,6,7,2]],[2,0,1],sample_weight=[0.3,0.5,0.2]) Result_predict_proba=clf.predict_proba(data) Result_predict_log_proba=clf.predict_log_proba(data) print(Result_predict) #预测所属类别 print(Result_predict_proba) #输出测试样本在各个类标记上预测概率值 print(Result_predict_log_proba) #输出测试样本在各个类标记上预测概率值对应对数值 print(Score) #返回测试样本映射到指定类标记上的得分(准确率)