MATLAB实现朴素贝叶斯分类对手葡萄酒数据集进行分类

clear clc load wine.data wine_class = wine; data_train = [wine_class(1:35,:);wine_class(55:115,:);wine_class(131:163,:)]; data_test = [wine_class(36:54,:);wine_class(116:130,:);wine_class(164:178,:)]; train_num = length(data_train); test_num = length(data_test); train_labels1 = data_train(:,1); test_labels1 = data_test(:,1); % 这里对数据进行一次处理。贝叶斯分类器要求输入数据中同类别中一个特征的方差不能为0 % 由公式我们可以知道，计算后验概率时，如果某一列特征全部相同，那么后验概率计算时分母会变为0， % 为了避免该种情况，需要对数据进行提前处理 [data_train,position] = data_proc(data_train,train_labels1(1:train_num)'); % 对训练数据进行处理后，同时也要对测试数据进行同样的处理 for rows = 1:10 data_test(:,position{1,rows})=[]; end % 模型部分 % 超参数全部取了默认值，比较重要的，如类别的先验概率，如果不进行修改，则计算输入数据中类别的频率 % 查看nb_model即可确认所使用的超参数 nb_model = fitcnb(data_train,train_labels1(1:train_num)); %训练模型 %测试结果 result = predict(nb_model,data_test); result = result.'; fprintf('预测结果：'); result(1:test_num) %取30个打印出来对比 fprintf('真实分布：'); test_labels1(1:test_num)' % 整体正确率 acc = 0.; for i = 1:test_num if result(i)==test_labels1(i) acc = acc+1; end end fprintf('精确度为：%5.2f%%\n',(acc/test_num)*100); % data_proc.m % 函数功能：删除同类数据特征中方差为0的特征列 % 输入：行向量数据及标签 % 输出：删除列之后的数据以及删除的列标 function [output,position] = data_proc(data,label) position = cell(1,10); %创建cell存储每类中删除的列标 for i = 0:9 temp = []; pos = []; for rows = 1:size(data,1) if label(rows)==i temp = [temp;data(rows,:)]; end end for cols = 1:size(temp,2) var_data = var(temp(:,cols)); if var_data==0 pos = [pos,cols]; end end position{i+1} = pos; data(:,pos)=[]; end output = data; end