【Udacity】朴素贝叶斯-优快云博客

本文通过类比葡萄酒酿造过程来解释机器学习的基本概念，并介绍了监督学习中的朴素贝叶斯算法。文中提供了如何使用Python的scikit-learn库进行数据训练及测试的示例代码，并说明了不同版本之间的API调用差异。

机器学习就像酿制葡萄酒——好的葡萄（数据）+好的酿酒方法（机器学习算法）
监督分类 supervised classification
Features ——>Labels
保留10%的数据作为测试数据集

监督学习之朴素贝叶斯 Naive Bayes——寻找决策面

scikit-learn使用入门

googlesearch sklearn+Naive Bayes

关于sklearn版本

视频——基于v0.17
项目——基于v0.18

sklearn的现在稳定版为0.18，官方文档也升级到了0.18。但是，0.18版并不兼容0.17的代码。如果你安装了0.18版，sklearn.cross_validation, sklearn.grid_search and sklearn.learning_curve 等方法都不能直接调用。

新的API调用方法是

from sklearn.model_selection import train_test_split

计算准确度

def NB_Accuracy(features_train, labels_train, features_test, labels_test):
    
    ### import the sklearn module for GaussianNB
    from sklearn.naive_bayes import GaussianNB

    ### create classifier
    clf = GaussianNB()

    ### fit the classifier on the training features and labels

    clf.fit(features_train, labels_train)

    ### use the trained classifier to predict labels for the test features
    pred = clf.predict(features_test)


    ### calculate and return the accuracy on the test data
    ### this is slightly different than the example, 
    ### where we just print the accuracy
    ### you might need to import an sklearn module

    ### Method #1:
    accuracy = clf.score(features_test, labels_test)
    return accuracy
    ### Method #2:
    from sklearn.metrics import accuracy_score
    print accuracy_score(pred, labels_test)

转载于:https://www.cnblogs.com/Neo007/p/7594429.html