机器学习 |
您所在的位置：网站首页 › python读取数据集进行训练的过程 › 机器学习 |
|
机器学习实战目录
第一章 python训练线性模型实战 第二章 python训练决策树模型实战 第三章 python训练神经网络模型实战 第四章 python训练支持向量机模型实战 第五章 python训练贝叶斯分类器模型实战 第六章 python训练集成学习模型实战 第七章 python训练聚类模型实战 第八章 python训练KNN模型实战 第九章 python训练CNN模型实战 第十章 python训练RNN模型实战 ......(会一直更新) 目录 机器学习实战目录 第五章 python训练贝叶斯分类器模型实战 1. 下载数据集 2. 读取数据集 3. 准备训练数据 4. 数据预处理 5. 划分训练集和测试集 6. 创建朴素贝叶斯分类器模型 7. 训练模型 8. 测试模型 参考资料： 第五章 python训练贝叶斯分类器模型实战训练朴素贝叶斯分类器的具体步骤如下： 1. 下载数据集可以在 UCI ML Repository、Kaggle 等网站中下载各种类型的数据集。以使用的鸢尾花数据集为例，具体步骤如下： - 前往 UCI ML Repository 网站 (https://archive.ics.uci.edu/ml/index.php)。 - 在搜索栏中输入 iris，找到 Iris Data Set 数据集并点击下载链接 iris.data。 - 将下载后的 iris.data 文件放入项目文件夹下。 2. 读取数据集使用 pandas 库中的 read_csv() 函数读取 iris 数据集，并做必要的处理。 ``` python import pandas as pd colnames = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'class'] iris = pd.read_csv('iris.data', names=colnames) iris.head() ``` 3. 准备训练数据将 iris 数据集提取特征和标签数据。 ``` python X = iris.drop('class', axis=1) y = iris['class'] ``` 4. 数据预处理处理类别特征。对于这个数据集，只有一个类别特征，即花的种类。由于朴素贝叶斯分类器需要用数值数据进行计算，因此需要将类别特征转换为数字。我们可以使用 LabelEncoder 类来实现该过程。 ``` python from sklearn.preprocessing import LabelEncoder le = LabelEncoder() y = le.fit_transform(y) ``` 5. 划分训练集和测试集使用 sklearn 库中的 train_test_split() 函数将数据集划分为训练集和测试集，以便评估模型的性能。 ``` python from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0) ``` 6. 创建朴素贝叶斯分类器模型使用 sklearn 库中的 naive_bayes.GaussianNB() 函数创建朴素贝叶斯分类器模型。 ``` python from sklearn.naive_bayes import GaussianNB clf = GaussianNB() ``` 7. 训练模型在训练集上使用模型的 fit() 函数进行训练。 ``` python clf.fit(X_train, y_train) ``` 8. 测试模型在测试集上使用 predict() 函数获得模型预测结果，并使用 accuracy_score() 函数计算模型的准确率。 ``` python from sklearn.metrics import accuracy_score y_pred = clf.predict(X_test) accuracy_score(y_test, y_pred) ```完整代码如下： ``` python import pandas as pd # 读取数据集 colnames = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'class'] iris = pd.read_csv('iris.data', names=colnames) # 准备训练数据 X = iris.drop('class', axis=1) y = iris['class'] # 处理类别特征 from sklearn.preprocessing import LabelEncoder le = LabelEncoder() y = le.fit_transform(y) # 划分训练集和测试集 from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0) # 创建朴素贝叶斯分类器模型 from sklearn.naive_bayes import GaussianNB clf = GaussianNB() # 训练模型 clf.fit(X_train, y_train) # 测试模型 from sklearn.metrics import accuracy_score y_pred = clf.predict(X_test) accuracy_score(y_test, y_pred) ``` 参考资料：[[1(https://zh.wikipedia.org/wiki/%E6%9C%B4%E7%B4%A0%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%88%86%E7%B1%BB%E5%99%A8)] [[2](https://scikit-learn.org/stable/modules/generated/sklearn.naive_bayes.GaussianNB.html)] 大家觉得有帮助的话还请大家给个收藏关注鼓励一下，有什么问题评论区留言，看到会恢复哒~ |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |