朴素贝叶斯算法

朴素贝叶斯算法

最为广泛的两种分类模型是 ​​决策树模型(Decision Tree Model)​​​ 和 ​​朴素贝叶斯模型（Naive Bayesian Model，NBM）​​。

朴素贝叶斯算法思路

朴素贝叶斯法是基于 ​​贝叶斯定理与特征条件独立假设​​​ 的分类方法，按照以前 ​​决策树​​ 的数据，利用朴素贝叶斯进行分类：

假设存在如下一组信息：

将上面的表格整理一下如下：

假设所有的变量都是 ​​独立的​​ ，那么在以下天气中是否该外出：

evidence = ['晴朗', '寒冷', '高', '有风']

将上述事件记为 ​​E​​​ ， ​​E = [E1, E2, E3, E4]​​ , 当A、B相互独立时，由：

得贝叶斯定理：

得：

又因为4个指标是相互独立的，所以：

带入计算得到：

P(yes|E)*P(E)=2/9×3/9×3/9×3/9×9/14=0.0053P(no|E)*P(E)=3/5×1/5×4/5×3/5×5/14=0.0206

​​外出概率：0.005291005291005291，不外出概率：0.02057142857142857，不适合外出！​​

朴素贝叶斯算法代码

朴素贝叶斯最重要的是构造 ​​训练样本​​ ，将表：

转化为字典：

newcondition = {'高温': {'no': 0.4, 'yes': 0.2222222222222222}, '高': {'no': 0.8, 'yes': 0.3333333333333333}, '有风': {'no': 0.6, 'yes': 0.3333333333333333}, '温暖': {'no': 0.4, 'yes': 0.4444444444444444}, '多云': {'yes': 0.4444444444444444}, '寒冷': {'no': 0.2, 'yes': 0.3333333333333333}, '正常': {'no': 0.2, 'yes': 0.6666666666666666}, '下雨': {'no': 0.4, 'yes': 0.3333333333333333}, '无风': {'no': 0.4, 'yes': 0.6666666666666666}, '晴朗': {'no': 0.6, 'yes': 0.2222222222222222}}newresult = {'no': 0.35714285714285715, 'yes': 0.6428571428571429}

最后相乘计算出概率即可：

# 判断是否外出def judgeresult(newcondition, newresult, weather): yesresult = 1 noresult = 1 for item in weather: # 外出的概率 yesresult = yesresult * newcondition[item]["yes"] noresult = noresult * newcondition[item]["no"] yesresult = yesresult * newresult["yes"] noresult = noresult * newresult["no"] if yesresult >= noresult: print("外出概率：" + str(yesresult) + "，不外出概率：" + str(noresult) + "，适合外出！") else: print("外出概率：" + str(yesresult) + "，不外出概率：" + str(noresult) + "，不适合外出！")

最终结果为：

外出概率：0.005291005291005291，不外出概率：0.02057142857142857，不适合外出！

python的完成代码在我的博客上面：

​​TTyb​​

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。