标签：get 技术分享 垃圾 ima target fit lin info multi
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
#高斯分布型 from sklearn import datasets iris=datasets.load_iris() from sklearn.naive_bayes import GaussianNB gnb=GaussianNB() pred=gnb.fit(iris.data,iris.target) y_pred=gnb.predict(iris.data) print(iris.data.shape[0],(iris.target != y_pred).sum())
#伯努利型 from sklearn import datasets iris = datasets.load_iris() from sklearn.naive_bayes import BernoulliNB gnb = BernoulliNB() pred = gnb.fit(iris.data, iris.target) y_pred = pred.predict(iris.data) print(iris.data.shape[0], (iris.target != y_pred).sum())
#多项式型 from sklearn import datasets iris = datasets.load_iris() from sklearn.naive_bayes import MultinomialNB gnb = MultinomialNB() pred = gnb.fit(iris.data, iris.target) y_pred = pred.predict(iris.data) print(iris.data.shape[0],(iris.target !=y_pred).sum())
2.使用sklearn.model_selection.cross_val_score()，对模型进行验证.
#高斯分布型的准确率 from sklearn.model_selection import cross_val_score NB_model=GaussianNB() sco=cross_val_score(NB_model,iris.data,iris.target,cv=10) print("准确率:%.3f"%sco.mean()) #伯努利型的准确率 from sklearn.model_selection import cross_val_score NB_model=BernoulliNB() sco=cross_val_score(NB_model,iris.data,iris.target,cv=10) print("准确率:%.3f"%sco.mean()) #多项式型的准确率 from sklearn.model_selection import cross_val_score NB_model=MultinomialNB() sco=cross_val_score(NB_model,iris.data,iris.target,cv=10) print("准确率:%.3f"%sco.mean())
3.垃圾邮件分类.
标签：get 技术分享 垃圾 ima target fit lin info multi
原文地址：https://www.cnblogs.com/a1234tt/p/10019467.html
