标签:模型 rac bsp sso path lin mod ros limit
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
from sklearn import datasets iris=datasets.load_iris() from sklearn.naive_bayes import GaussianNB gnb = GaussianNB() #构造 pred = gnb.fit(iris.data, iris.target) #拟合 y_pred = pred.predict(iris.data) #预测 print(iris.data.shape[0],(iris.target != y_pred).sum())
结果:150 6
from sklearn import datasets iris = datasets.load_iris() from sklearn.naive_bayes import BernoulliNB gnb = BernoulliNB() #构造 pred = gnb.fit(iris.data, iris.target) #拟合 y_pred = pred.predict(iris.data) #预测 print(iris.data.shape[0],(iris.target !=y_pred).sum()) 结果:150 100
from sklearn import datasets iris = datasets.load_iris() from sklearn.naive_bayes import MultinomialNB gnb = MultinomialNB() #构造 pred = gnb.fit(iris.data, iris.target) #拟合 y_pred = pred.predict(iris.data) #预测 print(iris.data.shape[0],(iris.target !=y_pred).sum()) 结果: 150 7
2.使用sklearn.model_selection.cross_val_score(),对模型进行验证
from sklearn.naive_bayes import GaussianNB from sklearn.model_selection import cross_val_score gnb = GaussianNB() scores=cross_val_score(gnb,iris.data, iris.target, cv=10) print("Accuracy:%.3f"%scores.mean()) 结果: Accuracy:0.953
from sklearn import datasets, linear_model from sklearn.model_selection import cross_val_predict diabetes = datasets.load_diabetes() X = diabetes.data[:150] y = diabetes.target[:150] lasso = linear_model.Lasso() y_pred = cross_val_predict(lasso, X, y, cv=3)
3. 垃圾邮件分类
import csv file_path=r‘E:\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() sms_data=str(sms_data) #字符串 sms_data=sms_data.lower() #大小写 sms_data=sms_data.split() #列表 sms_data1=[] #处理后的内容
i=0 for i in sms_data:#去掉长度小于3的单词 if len(i)>4: sms_data1.append(i) continue
标签:模型 rac bsp sso path lin mod ros limit
原文地址:https://www.cnblogs.com/yuxiang1212/p/10019152.html