朴素贝叶斯分类实验
一．实验目的
1.了解朴素贝叶斯算法基本原理；
2.能够使用朴素贝叶斯算法对数据进行分类
二．实验内容
利用贝叶斯算法或者决策树算法进行数据分类操作 数据集：汽车评估数据集
关于朴素贝叶斯原理和案例可以看西瓜书详解：/p/79527876
数据集：
import pandas as pddata = pd.read_csv("car.csv")print(data.shape) #行数列数print(data.dtypes) #所有列的数据类型data.head()
# 输出各列的唯一值m=[]for i in data:m.append(list(set(data[i].values.tolist())))print(list(set(data[i].values.tolist())))
# 标注字典Dict01={'low':1,'med':2,'high':3, 'vhigh':4}Dict2={'2':0, '3':1, '4':2, '5more':3}Dict3={'2':0, '4':1,'more':2}Dict4={'small':0,'med':1, 'big':2}Dict5={'low':0,'med':1,'high':2}Dict6={'unacc':0, 'acc':1, 'good':2, 'vgood':3}L=[Dict01,Dict01,Dict2,Dict3,Dict4,Dict5,Dict6]# 获取列名columns=data.columns.tolist()# 数据标注for i in range(len(columns)):data[columns[i]] = data[columns[i]].map(L[i])data.head()
加上预测完整代码：
import pandas as pddata = pd.read_csv("car.csv")# 标注字典Dict01={'low':1,'med':2,'high':3, 'vhigh':4}Dict2={'2':0, '3':1, '4':2, '5more':3}Dict3={'2':0, '4':1,'more':2}Dict4={'small':0,'med':1, 'big':2}Dict5={'low':0,'med':1,'high':2}Dict6={'unacc':0, 'acc':1, 'good':2, 'vgood':3}L=[Dict01,Dict01,Dict2,Dict3,Dict4,Dict5,Dict6]# 获取列名columns=data.columns.tolist()# 数据标注for i in range(len(columns)):data[columns[i]] = data[columns[i]].map(L[i])# 预测predict=[1,0,2,1,1,0]# 返回类别标签labels=['unacc','acc','good','vgood']classes = list(set(data.iloc[:,-1].tolist()))result=[]for i in range(len(classes)):test_result=[]test_data1=data[data['acceptability']==classes[i]]P1=test_data1.shape[0]/data.shape[0]print("原数据集第"+str(i)+"类的概率：",P1)for j in range(len(predict)):test_data2=test_data1[test_data1[columns[j]]==predict[j]]if test_data2.shape[0]==0:P2=1else:P2 = test_data2.shape[0]/test_data1.shape[0]print("在第"+str(i)+"类的条件下"+"X"+str(j)+"的概率：",P2)test_result.append(P2)print(test_result)multiply = 1.0for k in test_result:multiply *=kpro = multiply/P1print("属于第"+str(i)+"类的概率：",pro)result.append(pro)print("\n")print("属于各类的概率：",result)max_index = result.index(max(result,key = abs))print("测试结果：属于"+labels[max_index]+"\t概率为："+str(result[max_index]))
预测结果：
