第十一次作业——sklearn中的朴素贝叶斯模型及其应用

1.使用朴素贝叶斯模型对iris数据集进行花分类

尝试使用3种不同类型的朴素贝叶斯：

高斯分布型

多项式型

伯努利型

2.使用sklearn.model_selection.cross_val_score()，对模型进行验证。

#高斯分布型
from sklearn import datasets
iris = datasets.load_iris()

from sklearn.naive_bayes import GaussianNB
gnb = GaussianNB() #建立模型
pred = gnb.fit(iris.data,iris.target)#模型训练
y_pred = pred.predict(iris.data) #分类预测

print(iris.data.shape[0],(iris.target != y_pred).sum())

scores = cross_val_score(gnb,iris.data,iris.target,cv=10) #评估
print("Accuracy:%.3f"%scores.mean())

#多项式型
from sklearn import datasets
iris = datasets.load_iris()

from sklearn.naive_bayes import MultinomialNB
gnb = MultinomialNB() #建立模型
pred = gnb.fit(iris.data,iris.target)#模型训练
y_pred = pred.predict(iris.data) #分类预测

print(iris.data.shape[0],(iris.target != y_pred).sum())

scores = cross_val_score(gnb,iris.data,iris.target,cv=10) #评估
print("Accuracy:%.3f"%scores.mean())

#伯努利型
from sklearn import datasets
iris = datasets.load_iris()

from sklearn.naive_bayes import BernoulliNB
gnb = BernoulliNB() #建立模型
pred = gnb.fit(iris.data,iris.target)#模型训练
y_pred = pred.predict(iris.data) #分类预测

print(iris.data.shape[0],(iris.target != y_pred).sum())

scores = cross_val_score(gnb,iris.data,iris.target,cv=10) #评估
print("Accuracy:%.3f"%scores.mean())

3. 垃圾邮件分类

import csv
file_path=r'C:\Users\pc\Desktop\SMSSpamCollectionjsn.txt'
sms=open(file_path,'r',encoding='utf-8')
sms_data=[]
sms_label=[]
csv_reader=csv.reader(sms,delimiter='\t')
for line in csv_reader:
    sms_label.append(line[0])
sms.close()
print(len(sms_label))
sms_label

转载于:https://www.cnblogs.com/a-zhuanger/p/9999231.html