朴素贝叶斯作业_python_朴素贝叶斯_

# -*- coding: utf-8 -*- from sklearn import naive_bayes model_G = naive_bayes.GaussianNB() ###假设高斯分布，没有超参数，最常用的朴素贝叶斯分类器 model_M = naive_bayes.MultinomialNB( alpha = 1.0, fit_prior = True, class_prior = True, ) ###假设多项式分布，如果样本全部或者大多数为离散型，用它就对了 #alpha ，是否使用平滑，默认为1，如果你的样本中确定所有类别都出现了，就不需要使用平滑 #fit_prior，是否考虑先验概率，默认为True（即统计样本的概率），如果为False就不统计样本，单纯假设样本都符合多项式分布 #class_prior，如果fit_prior不启用，可以手动输入先验概率 model_B = naive_bayes.BernoulliNB( alpha = 1.0, fit_prior = True, class_prior = True, binarize = None ) ###假设符合二项分布（将特征以某个阈值分割，变为0/1） #alpha ，是否使用平滑，默认为1，如果你的样本中确定所有类别都出现了，就不需要使用平滑 #fit_prior，是否考虑先验概率，默认为True（即统计样本的概率），如果为False就不统计样本，单纯假设样本都符合多项式分布 #class_prior，如果fit_prior不启用，可以手动输入先验概率 #binarize 分割特征的阈值，默认为空（即默认为数据本身特征为0/1形式） #读取数据 import pandas as pd data = pd.read_csv('vehicle.csv') #分离特征与标签 labels = data['label'] data = data.drop(['label'],axis = 1) #分离训练与测试 from sklearn.cross_validation import train_test_split feature_train, feature_test, label_train, label_test = train_test_split(data, labels,test_size = 0.2 ,random_state = 1001) model_M.fit(feature_train, label_train) #预测并评估 from sklearn.metrics import f1_score prediction = model_B.predict(feature_test) current_f1 = f1_score(prediction, label_test,average = 'macro') print(current_f1)