朴素贝叶斯实例(肿瘤良性与恶性)【机器学习算法一朴素贝叶斯5】

最新推荐文章于 2024-07-31 23:38:12 发布

原创

最新推荐文章于 2024-07-31 23:38:12 发布 · 2k 阅读

26 ·

CC 4.0 BY-SA版权

文章标签：

#朴素贝叶斯

本文详细介绍了如何使用朴素贝叶斯算法进行肿瘤是良性还是恶性的预测。通过实例分析，展示了该算法在机器学习中的应用，帮助理解朴素贝叶斯分类的工作原理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import matplotlib.pyplot as plt
import numpy as np

#导入肿瘤数据集
from sklearn.datasets import load_breast_cancer
cancer=load_breast_cancer()
print("=======================数据集信息====================")
print(cancer.keys())
print("肿瘤的分类：",cancer['target_names'])
print("肿瘤的特征：",cancer['feature_names'])
print("=====================高斯朴素贝叶斯建模=====================")
X,y=cancer.data,cancer.target

from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=38)
print("训练集数据形态：",X_train.shape)
print("测试集数据形态：",X_test.shape)

from sklearn.naive_bayes import GaussianNB
gnb=GaussianNB()
gnb.fit(X_train,y_train)
print("训练集得分：{:.3f}".format(gnb.score(X_train,y_train)))
print("测试集得分：{:.3f}".format(gnb.score(X_test,y_test)))

print("===================高斯朴素贝叶斯的学习曲线===================")
#导入学习曲线库
from sklearn.model_selection import learning_curve
#导入随机拆分工具
from sklearn.model_selection import ShuffleSplit
#定义函数绘制学习曲线
def plot_learning_curve(esti