高斯朴素贝叶斯方法进行鸢尾花分类

贝叶斯方法完整代码

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17


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

1
2


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

1
2


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

1
2


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

1
2
3
4


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

1
2


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.

Contents