做网页代码的素材网站,培训机构网站制作,如何制作响应式网站,网站建设方案书组网方案目录
一、使用Python开发工具#xff0c;运行对iris数据进行分类的例子程序NaiveBayes.py#xff0c;熟悉sklearn机器实习开源库。
1. NaiveBayes.py
2. 运行结果
二、登录https://archive-beta.ics.uci.edu/
三、使用sklearn机器学习开源库#xff0c;使用贝叶斯分类器…目录
一、使用Python开发工具运行对iris数据进行分类的例子程序NaiveBayes.py熟悉sklearn机器实习开源库。
1. NaiveBayes.py
2. 运行结果
二、登录https://archive-beta.ics.uci.edu/
三、使用sklearn机器学习开源库使用贝叶斯分类器对breast-cancer-wisconsin.data进行分类。
1. Python代码
2. 运行截图
四、用java实现贝叶斯分类器算法并对上述数据进行分类。
1. 流程图
2. 数据结构
3. 算法
4. 测试结果
五、心得体会 一、使用Python开发工具运行对iris数据进行分类的例子程序NaiveBayes.py熟悉sklearn机器实习开源库。
1. NaiveBayes.py
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.naive_bayes import GaussianNB
import matplotlib# %matplotlib inline# 生成所有测试样本点
def make_meshgrid(x, y, h.02):x_min, x_max x.min() - 1, x.max() 1y_min, y_max y.min() - 1, y.max() 1xx, yy np.meshgrid(np.arange(x_min, x_max, h),np.arange(y_min, y_max, h))return xx, yy# 对测试样本进行预测并显示
def plot_test_results(ax, clf, xx, yy, **params):Z clf.predict(np.c_[xx.ravel(), yy.ravel()])Z Z.reshape(xx.shape)ax.contourf(xx, yy, Z, **params)# 载入iris数据集
iris datasets.load_iris()
# 只使用前面连个特征
X iris.data[:, :2]
# 样本标签值
y iris.target# 创建并训练正态朴素贝叶斯分类器
clf GaussianNB()
clf.fit(X, y)title (GaussianBayesClassifier)fig, ax plt.subplots(figsize(5, 5))
plt.subplots_adjust(wspace0.4, hspace0.4)X0, X1 X[:, 0], X[:, 1]
# 生成所有测试样本点
xx, yy make_meshgrid(X0, X1)# 显示测试样本的分类结果
plot_test_results(ax, clf, xx, yy, cmapplt.cm.coolwarm, alpha0.8)
# 显示训练样本
ax.scatter(X0, X1, cy, cmapplt.cm.coolwarm, s20, edgecolorsk)
ax.set_xlim(xx.min(), xx.max())
ax.set_ylim(yy.min(), yy.max())
ax.set_xlabel(x1)
ax.set_ylabel(x2)
ax.set_xticks(())
ax.set_yticks(())
ax.set_title(title)
plt.show()2. 运行结果 二、登录https://archive-beta.ics.uci.edu/
可以查看提供的各类公共数据源找到Breast Cancer Wisconsin (Original)数据并下载。 也可以直接输入网址:
https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/ 下载wisconsin提供的乳腺肿瘤数breast-cancer-wisconsin.data已经处理好的数据和breast-cancer-wisconsin.names对数据的说明可以用写字体打开 在我上传的资源可以免费下载解压即可用【在本文置顶】 下载之后如下 三、使用sklearn机器学习开源库使用贝叶斯分类器对breast-cancer-wisconsin.data进行分类。
1. Python代码 from sklearn import datasets
from matplotlib import pyplot as plt
from sklearn.linear_model import LinearRegression, SGDRegressor, Ridge, LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error, classification_report
import pandas as pd
import numpy as np# 构造列标签名字
column [Sample code number, Clump Thickness, Uniformity of Cell Size, Uniformity of Cell Shape,Marginal Adhesion, Single Epithelial Cell Size, Bare Nuclei, Bland Chromatin, Normal Nucleoli,Mitoses, Class]# 读取数据
data pd.read_csv(https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data,namescolumn)print(data)# 缺失值进行处理
data data.replace(to_replace?, valuenp.nan)
# 删除
data data.dropna()# 1-10列是特征值最后一列10 代表11列目标值
x_train, x_test, y_train, y_test train_test_split(data[column[1:10]], data[column[10]], test_size0.25)#
clf GaussianNB()clf.fit(x_train, y_train)title (GaussianBayesClassifier)
y_predict clf.predict(x_test)# 首先用分类器自带的.score方法来对准确性进行打印
print(准确率, clf.score(x_test, y_test))print(召回率, classification_report(y_test, y_predict, labels[2, 4], target_names[良性, 恶性]))2. 运行截图 四、用java实现贝叶斯分类器算法并对上述数据进行分类。
1. 流程图 图4-1 主程序流程图 图4-2 贝叶斯分类器流程图 图4-3 计算条件概率流程图 2. 数据结构
1用一个二维动态数组存储测试和训练数据。 2用一个哈希表存储分类对应的数据
键不同的分类值分类的数组 便于计算后验概率。 3. 算法
1对breast-cancer-wisconsin.data进行分类分训练集和测试集再进行一个分类处理 2分类 3计算条件概率 4贝叶斯分类器 4. 测试结果
1当测试和训练比例1:1 2当训练集为70%测试集为30% 五、心得体会
更加深刻地理解了课件上的例子实现了一个朴素贝叶斯算法。在实现的过程发现如果不用拉普拉斯修正结果是不合理的。
