第十一次作业——sklearn中的朴素贝叶斯模型及其应用
1.使用朴素贝叶斯模型对iris数据集进行花分类
尝试使用3种不同类型的朴素贝叶斯:
高斯分布型
多项式型
伯努利型
2.使用sklearn.model_selection.cross_val_score(),对模型进行验证。
#高斯分布型
from sklearn import datasets iris = datasets.load_iris() from sklearn.naive_bayes import GaussianNB gnb = GaussianNB() #建立模型 pred = gnb.fit(iris.data,iris.target)#模型训练 y_pred = pred.predict(iris.data) #分类预测 print(iris.data.shape[0],(iris.target != y_pred).sum()) scores = cross_val_score(gnb,iris.data,iris.target,cv=10) #评估 print("Accuracy:%.3f"%scores.mean())
#多项式型 from sklearn import datasets iris = datasets.load_iris() from sklearn.naive_bayes import MultinomialNB gnb = MultinomialNB() #建立模型 pred = gnb.fit(iris.data,iris.target)#模型训练 y_pred = pred.predict(iris.data) #分类预测 print(iris.data.shape[0],(iris.target != y_pred).sum()) scores = cross_val_score(gnb,iris.data,iris.target,cv=10) #评估 print("Accuracy:%.3f"%scores.mean())
#伯努利型
from sklearn import datasets iris = datasets.load_iris() from sklearn.naive_bayes import BernoulliNB gnb = BernoulliNB() #建立模型 pred = gnb.fit(iris.data,iris.target)#模型训练 y_pred = pred.predict(iris.data) #分类预测 print(iris.data.shape[0],(iris.target != y_pred).sum()) scores = cross_val_score(gnb,iris.data,iris.target,cv=10) #评估 print("Accuracy:%.3f"%scores.mean())
3. 垃圾邮件分类
import csv file_path=r'C:\Users\pc\Desktop\SMSSpamCollectionjsn.txt' sms=open(file_path,'r',encoding='utf-8') sms_data=[] sms_label=[] csv_reader=csv.reader(sms,delimiter='\t') for line in csv_reader: sms_label.append(line[0]) sms.close() print(len(sms_label)) sms_label