朴素贝叶斯-优快云博客

本文链接：https://blog.youkuaiyun.com/liyunyang2000/article/details/129740873

本文介绍了朴素贝叶斯算法，包括贝叶斯公式、拉普拉斯平滑以及在Python中使用sklearn库的MultinomialNB实现。通过一个案例展示了如何对20Newsgroups数据集进行预处理、特征抽取并进行分类预测，计算出模型的准确率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

联合概率和条件概率

朴素贝叶斯-贝叶斯公式

拉普拉斯平滑

sklearn朴素贝叶斯实现API

sklearn.naive_bayes.MultinomialNB

朴素贝叶斯算法案例

朴素贝叶斯案例流程

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB

def naviebayes():
    """
    朴素贝叶斯进行文本分类
    """
    news = fetch_20newsgroups(subset='all')

    # 进行数据分割
    x_train, x_test, y_train, y_test = train_test_split(news.data,news.target, test_size=0.25)
    
    # 对数据集进行特征抽取
    tf = TfidfVectorizer()

    # 以训练集当中的词的列表进行每篇文章重要性统计['a','b','c','d']
    x_train = tf.fit_transform(x_train)

    x_test = tf.transform(x_test)

    # 进行朴素贝叶斯算法的预测
    mlt = MultinomialNB(alpha=1.0)

    print(x_train.toarray())

    mlt.fit(x_train, y_train)

    y_predict = mlt.predict(x_test)

    print("预测的文章类别为：", y_predict)

    # 得出准确率
    print("准确率：",mlt.score(x_test, y_test))


if _name_ == "_main_":
    naviebayes()

朴素贝叶斯训练集误差大，结果肯定不好

不需要调参