7、机器学习分类：从朴素贝叶斯到支持向量机

机器学习分类：从朴素贝叶斯到支持向量机

1. 朴素贝叶斯电影推荐引擎与模型评估

在机器学习的分类任务中，我们可以使用朴素贝叶斯算法构建一个电影推荐引擎。首先，我们可以得到预测的类别：

prediction = clf.predict(X_test)
print(prediction[:10])

输出结果可能如下：

[1. 1. 1. 0. 0. 0. 1. 1. 1. 1.]

接着，我们使用分类准确率来评估模型的性能，它是正确预测的比例：

accuracy = clf.score(X_test, Y_test)
print(f'The accuracy is: {accuracy*100:.1f}%')

假设输出结果为：

The accuracy is: 71.6%

这意味着我们开发的朴素贝叶斯分类器大约能为 72% 的用户正确推荐电影。不过，我们仅从电影评分数据中提取了用户 - 电影关系，而大部分评分是未知的。理想情况下，我们还可以利用 movies.dat 文件中的电影类型信息，以及 users.dat 文件中的用户人口统计信息（性别、年龄、职业和邮政编码）。

除了准确率，还有其他几个指标可以帮助我们更深入地了解模型性能，并避免类别不平衡的影响：
-