本文共 2086 字,大约阅读时间需要 6 分钟。
这种学习方法基于条件概率,也就是通过已经给定的东西来推断一件事情的发生可能性。朴素贝叶斯应用了贝叶斯定理和朴素独立性假设。
- 优势
- 不相关特征不敏感
- 一次扫描就能快速训练
- 快速分类
- 能够处理任意数量的预测因子,不论他们是连续的还是分类的
- 尤其适合高维数据
- 劣势
- 假定了特征之间相互独立
R中的e1071包中的naiveBayes函数可以实现朴素贝叶斯算法,具体的函数格式如下:naiveBayes(formula,data,laplace=0,subset)
setwd("E:\\Rwork")install.packages("e1071")library(e1071)index <- sample(nrow(iris),0.75*nrow(iris))train <- iris[index,]test <- iris[index,]nb1 <- naiveBayes(Species ~., data =train )prediction <- predict(nb1, test[,-5])xlab <- table(prediction , test$Species)xlabprediction setosa versicolor virginica setosa 40 0 0 versicolor 0 38 2 virginica 0 2 30
pre1 <- predict(nb1,test)a <- table(test$Species,pre1)(sum(a)-sum(diag(a)))/sum(a)b <- paste0(round((sum(a)-sum(diag(a)))*100/sum(a),2),"%")library(gmodels)CrossTable(test$Species,pre1,prop.r = FALSE, prop.c = FALSE,prop.t = TRUE,prop.chisq = FALSE) Cell Contents|-------------------------|| N || N / Table Total ||-------------------------| Total Observations in Table: 112 | pre1 test$Species | setosa | versicolor | virginica | Row Total | -------------|------------|------------|------------|------------| setosa | 40 | 0 | 0 | 40 | | 0.357 | 0.000 | 0.000 | | -------------|------------|------------|------------|------------| versicolor | 0 | 38 | 2 | 40 | | 0.000 | 0.339 | 0.018 | | -------------|------------|------------|------------|------------| virginica | 0 | 2 | 30 | 32 | | 0.000 | 0.018 | 0.268 | | -------------|------------|------------|------------|------------|Column Total | 40 | 40 | 32 | 112 | -------------|------------|------------|------------|------------|
转载地址:http://jyncx.baihongyu.com/