Шаги для наивного Байеса с использованием sklearn (Python):
- Импортировать GaussianNB:
- из sklearn.naivebayes импортировать GaussianNB
2. Создайте классификатор:
- clf = GaussianNB()
3. Соответствуйте классификатору:
- clf.fit(FeatureTrainingSet, LabelTrainingSet)
4. Прогноз для тестовых данных
- clf.predict(FeatureTestingSet)
Точность — это один из показателей проверки соответствия модели доступному набору данных. Существует 3 способа проверки точности.
- Ручной расчет количества правильно предсказанных наборов данных по всему набору данных.
- Использование метрик аккуратности_оценки:
- оператор импорта должен быть: from sklearn_metrics import precision_score
- везде, где вы хотите проверить точность: напечатайте точность_оценки (NumpyArrayToBePredicted, labelledArray)
- Преимущество заключается в том, что вы можете использовать и другие доступные метрики.
3. Использование оценки классификатора:
- clf.score(FeatureDataTobePredicted,меченыймассив)
- Он будет вычислять прогнозы для предоставленных данных, а затем вычислять точность для этих данных.
- Преимущество в том, что вам не нужно отдельно рассчитывать прогнозы, если вас интересует только точность.