高斯朴素贝叶斯-python sklearn实现 作者：马育民 • 2023-01-11 16:23 • 阅读：10044 # 介绍 高斯朴素贝叶斯，假设特征所属于某个类别的值符合高斯分布（正态分布） 有些特征可能是连续型变量，比如：人的身高，物体的长度。 这些特征可以 **转换成离散型的值**，比如： - 身高在160cm以下，特征值为1 - 身高在160cm和170cm之间，特征值为2 - 身高在170cm之上，特征值为3 也可以这样转换： - 如果身高是160cm以下，这三个特征的值分别是 `1、0、0` - 如果身高在160cm和170cm之间，特征值为 `0、1、0` - 若身高在170cm之上，特征值是 `0、0、1` 不过这些方式都不够细腻，高斯模型可以解决这个问题 # 声明 ``` class sklearn.naive_bayes.GaussianNB (priors=None, var_smoothing=1e-09) ``` **参数解释：** - prior（先验概率）：可输入任何类数组结构，形状为（n_classes，） 表示类的先验概率。如果指定，则不根据数据调整先验，如果不指定，则自行根据数据计算先验概率。 - var_smoothing：浮点数，可不填（默认值= 1e-9） 在估计方差时，为了追求估计的稳定性，将所有特征的方差中最大的方差以某个比例添加到估计的方差中。这个比例，由var_smoothing参数控制。 # 例子 下面是一组人类身体特征的统计资料 |性别|身高（英尺）|体重（磅）|脚掌（英寸）| |---|---|---| |男|6|180|12| |男|5.92|190|11| |男|5.58|170|12| |男|5.92|165|10| |女|5|100|6| |女|5.5|150|8| |女|5.42|130|7| |女|5.75|150|9| 问：已知某人身高6英尺、体重130磅，脚掌8英寸，请问该人是男是女？ ### 分析 计算朴素贝叶斯的分子，如下： ``` P(身高|性别) x P(体重|性别) x P(脚掌|性别) x P(性别) ``` 这里的困难在于，由于身高、体重、脚掌都是连续变量，不能采用离散变量的方法计算概率。而且由于样本太少，所以也无法分成区间计算。怎么办？ 这时，可以假设男性和女性的身高、体重、脚掌都是正态分布，通过样本计算出均值和方差，也就是得到正态分布的密度函数。有了密度函数，就可以把值代入，算出某一点的密度函数的值 ### 代码 ``` import numpy as np #导入朴素贝叶斯 from sklearn.naive_bayes import GaussianNB ''' 训练数据 第一列表示颜值，1表示帅，0表示不帅 第二列表示性格，1表示好，0表示不好 第三列表示身高，1表示高，0表示矮 第四列表示是否上进，1表示上进，0表示不上进 ''' x=np.array([[6,180,12], [5.92,190,11], [5.58,170,12], [5.92,165,10], [5,100,6], [5.5,150,8], [5.42,130,7], [5.75,150,9] ]) # 训练数据的标签，0表示女，1表示男 y=np.array([1,1,1,1,0,0,0,0]) nb=GaussianNB() nb.fit(x,y) # 预测 prd_x=np.array([ [6,130,8], ]) pre=nb.predict(prd_x) pre2=nb.predict_proba(prd_x) # 输出模型预测结果 print("预测结果为：",pre) #输出模型预测的分类概率 print("预测的概率为：",pre2) ``` 执行结果： ``` 预测结果为： [0] # 0表示女 预测的概率为： [[9.99999846e-01 1.54426632e-07]] #女性概率99.99% ``` 参考： https://blog.csdn.net/ac540101928/article/details/103941495 https://blog.csdn.net/qq_38163244/article/details/109154089 原文出处：http://malaoshi.top/show_1IX4lAuXKRdT.html