機器學習——樸素貝葉斯

標籤：form   intel   機器   樸素貝葉斯   vector   rap   ace   article   大量   

 在考慮一個結果的機率時候，要考慮眾多的屬性，貝葉斯演算法利用所有可能的資料來進行修正預測，如果大量的特徵產生的影響較小，放在一起，組合的影響較大，適合於樸素貝葉斯分類

匯入類庫

1 from sklearn.datasets import fetch_20newsgroups2 from sklearn.feature_extraction.text import TfidfVectorizer3 from sklearn.naive_bayes import MultinomialNB

代碼

 1 def article_category(): 2     categories = [‘alt.atheism‘, ‘soc.religion.christian‘, ‘comp.graphics‘, ‘sci.med‘] 3     twenty_train = fetch_20newsgroups(subset=‘train‘, categories=categories) 4     # print(twenty_train) 5     print(twenty_train.data) 6     print(twenty_train.target) 7     # 將x訓練集詞頻向量化 8     tfidf_transformer = TfidfVectorizer() 9     X_train_tfidf = tfidf_transformer.fit_transform(twenty_train.data)10 11     # 貝葉斯訓練12     clf = MultinomialNB(alpha=1.0).fit(X_train_tfidf, twenty_train.target)13     docs_new = [‘Chemical reaction‘, ‘Intel CPU is good‘]14 15     # 將要預測的資料詞頻向量化16     X_new_tfidf = tfidf_transformer.transform(docs_new)17     # 預測18     predicted = clf.predict(X_new_tfidf)19     print(predicted)20     for doc, category in zip(docs_new, predicted):21         print(‘%r => %s‘ % (doc, twenty_train.target_names[category]))

 

機器學習——樸素貝葉斯