python机器学习中朴素贝叶斯算法及模型选择和调优的示例分析

本文将详细介绍朴素贝叶斯算法以及python机器学习中模型选择和调整的实例分析。边肖觉得挺实用的，分享给大家参考。希望你看完这篇文章能有所收获。

00-1010

一、概率知识基础

概率就是某件事情发生的可能性。

00-1010包含多个条件，所有条件同时成立的概率记录为：P(A，B)=P(A) * P(B)

00-1010在另一个事件B已经发生的情况下事件A的发生概率，记录为：P(A|B)

概率的特征：P(A1，A2|B)=P(A1|B)P(A2|B)

注：这个条件概率是由于A1和A2的独立性。

朴素贝叶斯的原理是，对于每个样本，计算属于每个类别的概率，并将其归入概率最高的类别。

1.概率

2.联合概率

直接代入实例，各部分解释如下：

P(C)=P(科技):科技文献类别概率(科技文献数量/文献总数)

p(w | c)=p(‘情报’，‘发展’|科技):科技文献这类文章中‘情报’和‘发展’两个特征词出现的概率。注：“智力”和“发展”属于预测文献中出现的词语。科技文献中可能有更多的特征词，但并不是所有的特征词都包含在给定的文献中。因此，使用给定文档中包含的内容。

计算方法：

P(F1|C)=N(i)/N(在训练集中计算)

N(i)是F1单词在所有c类文档中出现的次数。

n是c类文件中所有单词出现次数的总和

p(' intelligence ' | technology)=' intelligence '在所有技术文档中出现的次数/所有单词在技术文档中出现的次数之和。

然后P(F1，F2.|C)=P(F1|C) * P(F2|C)

P('智能'，'开发' |技术)=P('智能' |技术)* P('开发|技术)

这样，可以基于预测文档中的特征词来计算预测文档属于科学技术的概率。同样的方法被用来计算其他类型的概率。无论哪个高，都算数。

3.条件概率

二、朴素贝叶斯

sklearn.naive_bayes。多项式b

00-101010

1.朴素贝叶斯计算方式

此案例的数据来自sklearn中的20个20newsgroups数据。通过提取文章中的特征词，利用朴素贝叶斯方法计算预测文章，并根据获得的概率确定文章的类别。

步骤如下：首先，将文章分为两类，一类作为训练集，另一类作为测试集。接下来，使用tfidf分别提取训练集和测试集文章的特征，从而生成训练集测试集的X。接下来，可以直接调用朴素贝叶斯算法导入训练集数据x_train、y_train并训练模型。最后，使用训练好的模型进行测试。

00-1010导入数据库：将sklearn.datasets作为dt导入

导入数据：news=dt。fetch _ 20news组(子集=“全部”)

00-1010分段使用与knn相同的方法。另外，从sklearn导入的所有数据都可以直接调用。数据以获得数据集和。目标获取目标值。

分区数据：x _ train，x _ test，y _ train，y _ test=train _ test _ split(新闻。数据，新闻。目标，test _ size=0.25)

特征值提取方法实例化：tf=TfIdfVectorizer()

训练数据特征提取：x _ train=TF。fit _ transform (x _ train)

措施

试集数据特征值提取：x_test = tf.transform(x_test)

测试集的特征提取，只需要调用transform，因为要使用训练集的标准，并且在上一步已经fit过得出训练集的标准了，测试集直接使用就行。

4.算法流程

算法实例化：mlt = MultinomialNB(alpha=1.0)

算法训练：mlt.fit(x_train, y_train)

预测结果：y_predict = mlt.predict(x_test)

5.注意事项

朴素贝叶斯算法的准确率，是由训练集来决定的，不需要调参。训练集误差大，结果肯定不好。因为算的方式固定，并且没有一个超参数可供调整。

朴素贝叶斯的缺点：假设了文档中一些词和另外一些词是独立的，相互没联系。并且是在训练集中进行的词统计，会对结果造成干扰，训练集越好，结果越好，训练集越差，结果越差。

四、分类模型的评估

1.混淆矩阵

评估标准有数种，其一是准确率，也就是对预测的目标值和提供的目标值一一对比，计算准确率。

我们也有其他更通用也更好用的评估标准，即精确率和召回率。精确率和召回率是基于混淆矩阵计算的。

一般情况下我们只关注召回率。

F1分类标准：

根据以上式子，使用精确率召回率，可计算出F1-score，该结果可反应模型的稳健性。

2.评估模型API

sklearn.metricx.classification_report

3.模型选择与调优

①交叉验证

交叉验证是为了让被评估的模型更加准确可信，方法如下：

>>将所有数据分成n等份

>>第一份作为验证集，其他作为训练集，得出一个准确率，模型1

>>第二份作为验证集，其他作为训练集，得出一个准确率，模型2

>>......

>>直到每一份都过一遍，得出n个模型的准确率

>>对所有的准确率求平均值，我们就得到了最终更为可信的结果。

若分为四等分，则叫做“4折交叉验证”。

②网格搜索

网格搜索主要是和交叉验证同时使用，用来调参数。比如K-近邻算法中有超参数k，需要手动指定，比较复杂，所以需要对模型预设几种超参数组合，每组超参数都采用交叉验证来进行评估，最后选出最优的参数组合建立模型。（K-近邻算法就一个超参数k，谈不上组合，但是如果算法有2个或以上超参数，就进行组合，相当于穷举法）

网格搜索API：sklearn.model_selection.GridSearchCV

五、以knn为例的模型调优使用方法

假设已经将数据以及特征处理好，并且得到了x_train, x_test, y_train, y_test，并且已经将算法实例化：knn = KNeighborsClassifier()

1.对超参数进行构造

因为算法中需要用到的超参数的名字就叫做'n_neighbors'，所以直接按名字指定超参数选择范围。若有第二个超参数，在后面添加字典元素即可。

params = {'n_neighbors':[5,10,15,20,25]}

2.进行网格搜索

输入的参数：算法（估计器），网格参数，指定几折交叉验证

gc = GridSearchCV(knn, param_grid=params, cv=5)

基本信息指定好后，就可以把训练集数据fit进去

gc.fit(x_train, y_train)

3.结果查看

网格搜索算法中，有数种方法可以查看准确率、模型、交叉验证结果、每一次交叉验证后的结果。

gc.score(x_test, y_test) 返回准确率

gc.best_score_ 返回最高的准确率

gc.best_estimator_ 返回最好的估计器（返回的时候会自动带上所选择的超参数）

关于“python机器学习中朴素贝叶斯算法及模型选择和调优的示例分析”这篇文章就分享到这里了，希望