朴素贝叶斯实例(肿瘤良性与恶性)【机器学习算法一朴素贝叶斯5】

import matplotlib.pyplot as plt
import numpy as np#导入肿瘤数据集
from sklearn.datasets import load_breast_cancer
cancer=load_breast_cancer()
print("=======================数据集信息====================")
print(cancer.keys())
print("肿瘤的分类：",cancer['target_names'])
print("肿瘤的特征：",cancer['feature_names'])
print("=====================高斯朴素贝叶斯建模=====================")
X,y=cancer.data,cancer.targetfrom sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=38)
print("训练集数据形态：",X_train.shape)
print("测试集数据形态：",X_test.shape)from sklearn.naive_bayes import GaussianNB
gnb=GaussianNB()
gnb.fit(X_train,y_train)
print("训练集得分：{:.3f}".format(gnb.score(X_train,y_train)))
print("测试集得分：{:.3f}".format(gnb.score(X_test,y_test)))print("===================高斯朴素贝叶斯的学习曲线===================")
#导入学习曲线库
from sklearn.model_selection import learning_curve
#导入随机拆分工具
from sklearn.model_selection import ShuffleSplit
#定义函数绘制学习曲线
def plot_learning_curve(estimator, title, X, y, ylim=None, cv=None,n_jobs=1, train_sizes=np.linspace(.1, 1.0, 5)):plt.figure()plt.title(title)if ylim is not None:plt.ylim(*ylim)plt.xlabel("Training examples")plt.ylabel("Score")train_sizes, train_scores, test_scores = learning_curve(estimator, X, y,cv=cv, n_jobs=n_jobs, train_sizes=train_sizes)train_scores_mean = np.mean(train_scores, axis=1)test_scores_mean = np.mean(test_scores, axis=1)plt.grid()plt.plot(train_sizes, train_scores_mean, 'o-', color="r",label="Training score")plt.plot(train_sizes, test_scores_mean, 'o-', color="g",label="Cross-validation score")plt.legend(loc="lower right")return plttitle = "Learning Curves (Naive Bayes)"
cv = ShuffleSplit(n_splits=100, test_size=0.2, random_state=0)
estimator = GaussianNB()
plot_learning_curve(estimator, title, X, y, ylim=(0.9, 1.01), cv=cv, n_jobs=4)
plt.show()

朴素贝叶斯实例(肿瘤良性与恶性)【机器学习算法一朴素贝叶斯5】相关推荐

朴素贝叶斯基础【机器学习算法一朴素贝叶斯1】
基础知识回顾 (上述内容引自李航<统计学习方法>) 过去的7天当中,有3天下雨,4天没有下雨.用0代表灭有下雨,而1代表下雨,我们可以用一个数组来表示: y=[0,1,1,0,1,0,0] ...
机器学习算法基础——朴素贝叶斯算法
26.朴素贝叶斯算法原理联合概率和条件概率联合概率:包含多个条件,且所有条件同时成立的概率记作:P(A,B) P(A,B)=P(A)P(B) 条件概率:就是事件A在另外一个事件B已经发生条件下的 ...
数学推导+纯Python实现机器学习算法12：贝叶斯网络
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达在上一讲中,我们讲到了经典的朴素贝叶斯算法.朴素贝叶斯的一大特点就 ...
【机器学习基础】数学推导+纯Python实现机器学习算法12：贝叶斯网络
Python机器学习算法实现 Author:louwill 在上一讲中,我们讲到了经典的朴素贝叶斯算法.朴素贝叶斯的一大特点就是特征的条件独立假设,但在现实情况下,条件独立这个假设通常过于严格,在实际 ...
机器学习算法总结--朴素贝叶斯
这次需要总结的是朴素贝叶斯算法,参考文章: <统计学习方法> 机器学习常见算法个人总结(面试用) 朴素贝叶斯理论推导与三种常见模型朴素贝叶斯的三个常用模型:高斯.多项式.伯努利简介朴 ...
机器学习算法之朴素贝叶斯模型
基本原理从统计学知识回到我们的数据分析.假如我们的分类模型样本是: 即我们有m个样本,每个样本有n个特征,特征输出有k个类别,定义为C1,C2,-,Ck,.从样本我们可以学习得到朴素贝叶斯的先验分布 ...
伯努利朴素贝叶斯【机器学习算法一朴素贝叶斯2】
伯努利朴素贝叶斯方法适合于伯努利分布(即二项分布或0-1分布)的数据集. import numpy as np from sklearn.naive_bayes import BernoulliNB ...
朴素贝叶斯实战——判断肿瘤是良性还是恶性
1.接下来我们将使用朴素贝叶斯算法来进行一个小的项目实战--判断一个患者的肿瘤是良性还是恶性.这里我们将使用一个来自真实世界的数据集--威斯康星乳腺肿瘤数据集. 2.对数据集进行分析: 威斯康星乳腺肿 ...
【数据科学系统学习】机器学习算法 # 西瓜书学习记录 [6] 朴素贝叶斯实践
本篇内容为<机器学习实战>第 4 章基于概率论的分类方法:朴素贝叶斯程序清单.所用代码为 python3. 朴素贝叶斯优点:在数据较少的情况下仍然有效,可以处理多类别问题. 缺点:对于 ...

朴素贝叶斯实例(肿瘤良性与恶性)【机器学习算法一朴素贝叶斯5】

朴素贝叶斯实例(肿瘤良性与恶性)【机器学习算法一朴素贝叶斯5】相关推荐

最新文章

热门文章