資料探勘十大演算法(九):樸素貝葉斯原理、例項與Python實現
阿新 • • 發佈:2019-01-09
一、條件概率的定義與貝葉斯公式
二、樸素貝葉斯分類演算法
樸素貝葉斯是一種有監督的分類演算法,可以進行二分類,或者多分類。一個數據集例項如下圖所示:
現在有一個新的樣本, X = (年齡:<=30, 收入:中, 是否學生:是, 信譽:中),目標是利用樸素貝葉斯分類來進行分類。假設類別為C(c1=是 或 c2=否),那麼我們的目標是求出P(c1|X)和P(c2|X),比較誰更大,那麼就將X分為某個類。
下面,公式化樸素貝葉斯的分類過程。
三、例項
下面,將下面這個資料集作為訓練集,對新的樣本X = (年齡:<=30, 收入:中, 是否學生:是, 信譽:中) 作為測試樣本,進行分類。
我們可以將這個例項中的描述屬性和類別屬性,與公式對應起來,然後計算。
四、Python實現
現在,利用Python編寫上述例項對應的程式碼,程式碼如下。
# 針對 “買電腦”例項進行樸素貝葉斯分類 if __name__ == '__main__': # 描述屬性分別用數字替換 # 年齡, <=30-->0, 31~40-->1, >40-->2 # 收入, '低'-->0, '中'-->1, '高'-->2 # 是否學生, '是'-->0, '否'-->1 # 信譽: '中'-->0, '優'-->1 # 類別屬性用數字替換 # 購買電腦是-->0, 不購買電腦否-->1 MAP = [{'<=30': 0, '31~40': 1, '>40': 2}, {'低': 0, '中': 1, '高': 2}, {'是': 0, '否': 1}, {'中': 0, '優': 1}, {'是': 0, '否': 1}] # 訓練樣本 train_samples = ["<=30 高 否 中 否", "<=30 高 否 優 否", "31~40 高 否 中 是", ">40 中 否 中 是", ">40 低 是 中 是", ">40 低 是 優 否", "31~40 低 是 優 是", "<=30 中 否 中 否", "<=30 低 是 中 是", ">40 中 是 中 是", "<=30 中 是 優 是", "31~40 中 否 優 是", "31~40 高 是 中 是", ">40 中 否 優 否"] # 下面步驟將文字,轉化為對應數字 train_samples = [sample.split(' ') for sample in train_samples] # print(train_samples) # exit() train_samples = [[MAP[i][attr] for i, attr in enumerate(sample)]for sample in train_samples] # print(train_samples) # 待分類樣本 X = '<=30 中 是 中' X = [MAP[i][attr] for i, attr in enumerate(X.split(' '))] # 訓練樣本數量 n_sample = len(train_samples) # 單個樣本的維度: 描述屬性和類別屬性個數 dim_sample = len(train_samples[0]) # 計算每個屬性有哪些取值 attr = [] for i in range(0, dim_sample): attr.append([]) for sample in train_samples: for i in range(0, dim_sample): if sample[i] not in attr[i]: attr[i].append(sample[i]) # 每個屬性取值的個數 n_attr = [len(attr) for attr in attr] # 記錄不同類別的樣本個數 n_c = [] for i in range(0, n_attr[dim_sample-1]): n_c.append(0) # 計算不同類別的樣本個數 for sample in train_samples: n_c[sample[dim_sample-1]] += 1 # 計算不同類別樣本所佔概率 p_c = [n_cx / sum(n_c) for n_cx in n_c] # print(p_c) # 將使用者按照類別分類 samples_at_c = {} for c in attr[dim_sample-1]: samples_at_c[c] = [] for sample in train_samples: samples_at_c[sample[dim_sample-1]].append(sample) # 記錄 每個類別的訓練樣本中,取待分類樣本的某個屬性值的樣本個數 n_attr_X = {} for c in attr[dim_sample-1]: n_attr_X[c] = [] for j in range(0, dim_sample-1): n_attr_X[c].append(0) # 計算 每個類別的訓練樣本中,取待分類樣本的某個屬性值的樣本個數 for c, samples_at_cx in zip(samples_at_c.keys(), samples_at_c.values()): for sample in samples_at_cx: for i in range(0, dim_sample-1): if X[i] == sample[i]: n_attr_X[c][i] += 1 # 字典轉化為list n_attr_X = list(n_attr_X.values()) # print(n_attr_X) # 儲存最終的概率 result_p = [] for i in range(0, n_attr[dim_sample-1]): result_p.append(p_c[i]) # 計算概率 for i in range(0, n_attr[dim_sample-1]): n_attr_X[i] = [x/n_c[i] for x in n_attr_X[i]] for x in n_attr_X[i]: result_p[i] *= x print('概率分別為', result_p) # 找到概率最大對應的那個類別,就是預測樣本的分類情況 predict_class = result_p.index(max(result_p)) print(predict_class)
執行結果如圖所示:
表明,樣本被分為第一類,即會購買電腦。對應的概率與手動計算的結果相同。
參考:
1. 資料探勘十大演算法
2. 資料倉庫與資料探勘 李春葆