标签:code ber selection 朴素 ssi bsp imp 分类 com
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。
from sklearn.model_selection import cross_val_score from sklearn.datasets import load_iris iris = load_iris() from sklearn.naive_bayes import GaussianNB#高斯 gnb = GaussianNB() pred = gnb.fit(iris.data,iris.target)#构造模型 y_pred = pred.predict(iris.data)#预测 print(iris.data.shape[0],(iris.target!=y_pred).sum()) score=cross_val_score(gnb,iris.data,iris.target,cv=10) print("准确率:%.3f"%score.mean()) from sklearn.naive_bayes import BernoulliNB#伯努利 bnl = BernoulliNB() pred = bnl.fit(iris.data,iris.target)#构造模型 y_pred = pred.predict(iris.data)#预测 print(iris.data.shape[0],(iris.target!=y_pred).sum()) score=cross_val_score(bnl,iris.data,iris.target,cv=10) print("准确率:%.3f"%score.mean()) from sklearn.naive_bayes import MultinomialNB#多项式 mlt = MultinomialNB() pred = mlt.fit(iris.data,iris.target)#构造模型 y_pred = pred.predict(iris.data)#预测 print(iris.data.shape[0],(iris.target!=y_pred).sum()) score=cross_val_score(mlt,iris.data,iris.target,cv=10) print("准确率:%.3f"%score.mean())
import csv file_path=r‘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_data.append(line[1]) sms.close()
3. 垃圾邮件分类
标签:code ber selection 朴素 ssi bsp imp 分类 com
原文地址:https://www.cnblogs.com/zhanglk/p/10019421.html