機器學習之高斯貝葉斯分類器gaussianNB
阿新 • • 發佈:2018-11-29
- 機器學習之高斯貝葉斯分類器gaussianNB
# -*- coding: utf-8 -*- """ Created on Sun Nov 25 10:55:17 2018 @author: muli """ from sklearn import naive_bayes,datasets,cross_validation def load_data(): ''' 載入用於分類問題的資料集。這裡使用 scikit-learn 自帶的 digits 資料集 :return: 一個元組,用於分類問題。元組元素依次為:訓練樣本集、測試樣本集、訓練樣本集對應的標記、測試樣本集對應的標記 ''' # 載入 scikit-learn 自帶的 digits 資料集 digits=datasets.load_digits() #分層取樣拆分成訓練集和測試集,測試集大小為原始資料集大小的 1/4 return cross_validation.train_test_split(digits.data,digits.target, test_size=0.25,random_state=0,stratify=digits.target) def test_GaussianNB(*data): ''' 測試 GaussianNB 的用法 :param data: 可變引數。 它是一個元組,這裡要求其元素依次為:訓練樣本集、測試樣本集、訓練樣本的標記、測試樣本的標記 :return: None ''' X_train,X_test,y_train,y_test=data cls=naive_bayes.GaussianNB() cls.fit(X_train,y_train) print('Training Score: %.2f' % cls.score(X_train,y_train)) print('Testing Score: %.2f' % cls.score(X_test, y_test)) print("--------------") # print(X_test) # 列印訓練集 # print(np.shape(X_test)) # 訓練集維度(450, 64) # 測試集對應的預測概率 # predict_proba返回的是一個 n 行 k 列的陣列, # 第 i 行 第 j 列上的數值是模型預測 第 i 個預測樣本為某個標籤的概率, # 並且每一行的概率和為1 print(cls.predict_proba(X_test)) if __name__=='__main__': # 產生用於分類問題的資料集 X_train,X_test,y_train,y_test=load_data() # 呼叫 test_GaussianNB test_GaussianNB(X_train,X_test,y_train,y_test)