学习sklearn朴素贝叶斯

最新推荐文章于 2024-07-31 23:38:12 发布

憨宝宝

最新推荐文章于 2024-07-31 23:38:12 发布

阅读量1.2k

点赞数

分类专栏：机器学习模型文章标签： sklearn 朴素贝叶斯

本文链接：https://blog.youkuaiyun.com/qq_41205464/article/details/84445067

版权

本文深入探讨了sklearn库中的朴素贝叶斯分类器，包括高斯朴素贝叶斯、多项式朴素贝叶斯、补充朴素贝叶斯和伯努利朴素贝叶斯。每个模型都基于不同的数据分布假设，并且在默认参数设置下进行了讨论。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

不同的贝叶斯假设数据的分布不同。
暂时全部使用默认参数

高斯朴素贝叶斯

"""
多项式朴素贝叶斯分类器适用于具有离散特征的分类（例如，用于文本分类的字数）。
多项分布通常需要整数特征计数。然而，在实践中，诸如tf-idf的分数计数也可以起作用。
"""
from sklearn import datasets
iris = datasets.load_iris()
from sklearn.naive_bayes import GaussianNB
gnb=GaussianNB()
gnb.fit(iris.data,iris.target)
y_pred = gnb.predict(iris.data)
print('number of mislabeled points out of a total %d points : %d'%(iris.data.shape[0],(iris.target != y_pred).sum()