如何使用python中樸素貝葉斯算法的介紹

>>>from sklearn import datasets ##導入包中的數(shù)據(jù)
>>> iris=datasets.load_iris() ##加載數(shù)據(jù)
>>> iris.feature_names ##顯示特征名字
 ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
>>> iris.data ##顯示數(shù)據(jù)
 array([[ 5.1, 3.5, 1.4, 0.2],[ 4.9, 3. , 1.4, 0.2],[ 4.7, 3.2, 1.3, 0.2]............
>>> iris.data.size ##數(shù)據(jù)大小 ---600個
>>> iris.target_names ##顯示分類的名字 
 array(['setosa', 'versicolor', 'virginica'], dtype='<U10')
>>> from sklearn.naive_bayes import GaussianNB ##導入高斯樸素貝葉斯算法
>>> clf = GaussianNB() ##給算法賦一個變量，主要是為了方便使用
>>> clf.fit(iris.data, iris.target) ##開始分類。對于量特別大的樣本，可以使用函數(shù)partial_fit分類，避免一次加載過多數(shù)據(jù)到內(nèi)存

>>> clf.predict(iris.data[0].reshape(1,-1)) ##驗證分類。標紅部分特別說明：因為predict的參數(shù)是數(shù)組，data[0]是列表，所以需要轉(zhuǎn)換一下
array([0])
>>> data=np.array([6,4,6,2]) ##驗證分類
>>> clf.predict(data.reshape(1,-1))
array([2])

##示例來在官方文檔，詳細說明見第一個例子
>>> import numpy as np
>>> X = np.random.randint(5, size=(6, 100)) ##返回隨機整數(shù)值：范圍[0,5) 大小6*100 6行100列
>>> y = np.array([1, 2, 3, 4, 5, 6])
>>> from sklearn.naive_bayes import MultinomialNB
>>> clf = MultinomialNB()
>>> clf.fit(X, y)
MultinomialNB(alpha=1.0, class_prior=None, fit_prior=True) 
>>> print(clf.predict(X[2]))
[3]

##示例來在官方文檔，詳細說明見第一個例子
>>> import numpy as np
>>> X = np.random.randint(2, size=(6, 100))
>>> Y = np.array([1, 2, 3, 4, 4, 5])
>>> from sklearn.naive_bayes import BernoulliNB
>>> clf = BernoulliNB()
>>> clf.fit(X, Y)
BernoulliNB(alpha=1.0, binarize=0.0, class_prior=None, fit_prior=True) 
>>> print(clf.predict(X[2]))
[3]