高斯朴素贝叶斯方法进行鸢尾花分类

版权声明：看我干嘛? 你又没打算转载我的博客~ https://blog.csdn.net/wjh2622075127/article/details/84190203

贝叶斯方法完整代码

import seaborn as sns  
iris = sns.load_dataset('iris')

X_iris = iris.drop('species', axis=1)
y_iris = iris['species']

print(X_iris)
from sklearn.cross_validation import train_test_split
Xtrain, Xtest, ytrain, ytest = train_test_split(X_iris, y_iris, random_state=1)

from sklearn.naive_bayes import GaussianNB
model = GaussianNB()
model.fit(Xtrain, ytrain)
y_model = model.predict(Xtest)

from sklearn.metrics import accuracy_score
accuracy_score(ytest, y_model)

---

步骤分析

一-首先获取数据.

这里我们在线导入seaborn库的iris(鸢尾花)数据

import seaborn as sns
iris = sns.load_dataset('iris')

这是github上的说明, 可直接下载csv文件

二-将数据格式化

X_iris = iris.drop('species', axis=1)
y_iris = iris['species']

将类别那一列删除生成新的对象赋值给X_iris, y_iris为分类.
pandas的drop方法参考

三-将数据切分为训练数据和测试数据

from sklearn.cross_validation import train_test_split
Xtrain, Xtest, ytrain, ytest = train_test_split(X_iris, y_iris, random_state=1)

cross validation是交叉验证的意思, 参考文章
参数random_state是固定的随机种子, 参考文章

四-调用高斯朴素贝叶斯实现训练

from sklearn.naive_bayes import GaussianNB
model = GaussianNB()
model.fit(Xtrain, ytrain)
y_model = model.predict(Xtest) # 进行预测

调用Gaussian naive Bayes模型, 并进行拟合, 预测

五-对测试结果进行评估

评估方法介绍

from sklearn.metrics import accuracy_score
accuracy_score(ytest, y_model)

得到准确率为0.9736842105263158
metrics是指标的意思.

说明对特征明显的数据, 即使是非常简单的分类算法也可以高效地进行分析.