原标题：sklearn贝叶斯分类器的案例

原文来自：CSDN      原文链接：https://blog.csdn.net/qq_41672008/article/details/103417473

贝叶斯分类器

• 贝叶斯分类器的原理比较简单，可以自己去百度了解原理，这篇文章就是讲一讲贝叶斯分类器的实际应用案例

• 案例：研究期末考试前一周的行为（假设有三种：1.打游戏 2.逛街 3.学习）对于期末开考试的影响（就是是否挂科）

• 首先要有一个样本库，没办法，只能自己去创建了，我们就按照这个形式来创建样本库，形式如下：

• 其中0表示这件事没发生，1表示这件事发生了
  -于是我手动写了如下的样本：

• 首先是数据特征样本，所谓数据特征样本值得就是（1.打游戏 2.逛街 3.学习）就是这三个行为

data = [[0, 0, 1],
        [0, 0, 1],
        [0, 0, 1],
        [0, 0, 1],
        [0, 0, 1],
        [0, 0, 1],
        [0, 0, 1],
        [0, 0, 1],
        [0, 0, 1],
        [0, 0, 1],
        [0, 0, 1],
        [1, 0, 0],
        [0, 1, 0],
        [1, 1, 0],
        [1, 1, 0],
        [1, 1, 0],
        [1, 0, 1],
        [1, 0, 1],
        [1, 0, 1],
        [0, 1, 1],
        [0, 1, 0],
        [0, 1, 1],
        [1, 1, 1],
        [1, 1, 1],
        [1, 0, 1],
        [1, 1, 0],
        [1, 1, 0],
        [0, 1, 1],
        [1, 1, 0]]

• 接下来是数据标签样本，所谓的数据标签样本就是 考试结果（挂没挂科），0 就是挂科了，1 就是没挂科

target = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 1, 0, 1, 0, 0, 1, 1, 1]

• 接下来就是引入贝叶斯分类器，这里我引入的是多项式类型

from sklearn.naive_bayes import MultinomialNB
mlt = MultinomialNB() # 引入多项式类型
pred = mlt.fit(data, target) # 对模型进行训练

• 训练模型之后可以进行测试了，假设我没有打游戏，也没有逛街，而是学习了，那么期末考试会不会挂科？

• 因为数据特征的顺序是 打游戏，逛街，学习，因此我不打游戏，也不逛街，而是学习对于的特征值就是 [0, 0, 1]

y_pred = pred.predict([[0, 0, 1]]) # 因为数据特征的顺序是 打游戏，逛街，学习，因此我不打游戏，也不逛街，而是学习对于的特征值就是 [0, 0, 1]
print(y_pred)

• 查看结果：

/usr/local/bin/python3.8 /Users/sataniya/PycharmProjects/demo/demo.py[0]
Process finished with exit code

• 可以看到结果是 0，也就是 没有挂科

• 同意的道理，如果我想预测我打游戏，又逛街，不学习，那么我会不会挂科，就是这样：

y_pred = pred.predict([[1, 1, 0]])
print(y_pred)

/usr/local/bin/python3.8 /Users/sataniya/PycharmProjects/demo/demo.py[1]
Process finished with exit code

• 结果是 1，因此会挂科

• 所以大家还是好好学习吧（手动狗头）

免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。

合作及投稿邮箱：E-mail:editor@tusaishared.com