sklearn贝叶斯 python sklearn贝叶斯代码大致过程

问题

朴素贝叶斯求解

• 朴素贝叶斯公式：
• 求解思想：即求先验概率与条件概率乘积的最大值
• 求解

注意：
本人求解过程中忘记了 Laplace 平滑 (⊙︿⊙)，但好在预测值里面没有学历为博士的一项，所以不平滑也不影响预测，但这样是不规范的。

代码

• 分析

1 读取数据
2 数据切片，转换（将字符型数据编码）
3 划分训练集和测试集
4 导入 sklearn 贝叶斯方法，拟合
5 预测输入值

#导入数据 read_csv

import pandas as pd
import numpy as np
c=pd.read_csv('career_data.csv')
print c

# 将特征的离散数据 编码 用 LabelEncoder()对标签进行了编码

from sklearn.preprocessing import LabelEncoder
class_le = LabelEncoder()
y=class_le.fit_transform(c['enrolled'].values)

# 特征编码时直接用了 DataFrame 替换
c['985'].replace(['Yes','No'],[1,0],inplace=True)
c['education'].replace(['bachlor','master','phd'],[0,1,2],inplace=True)
c['skill'].replace(['C++','Java'],[0,1],inplace=True)
b=c.values[:,:-1]
print '\n','特征值','\n', b
print '标签值','\n',y

# 导入贝叶斯方法进行拟合

#from sklearn.cross_validation import train_test_split
from sklearn.naive_bayes import  GaussianNB
#train_X,test_X, train_y, test_y = train_test_split(b,y,test_size=0.1) # test_size:测试集比例20%
clf = GaussianNB()
#clf.fit(train_X, train_y)
clf.fit(b,y)
prediction6=clf.predict(b)
print '两个类别的先验概率:',clf.class_prior_   #获取两个类别的先验概率
#print(clf.feature_prob_)
print('The accuracy of the NaiveBayes is',metrics.accuracy_score(prediction6,y))
print clf.predict([[1,1,0]])
print clf.predict_proba([[1,1,0]])

可以看到，先验概率与之前的计算相同，预测结果也是未录取，但最后的预测出的两个类别的概率与计算不同，分析主要是因为之前计算的仅仅是贝叶斯公式的分子，而程序计算的可能是是包含分母的完整的后验概率。

总结：
1 数据读取DataFrame 方法，read_csv 与read_table 还是不同的
2 标签的编码，通常都用LabelEnconder，有n类就用0~ n-1 表示出来
3 属性编码的办法太笨，我考虑过用OneHotEncoder 方法，但该方法只能进行二值转换（非0 即1 ），不适合本例，学历属性里有三类；即便可以，我还是没搞懂独热编码的原理，编完后相当于给数据扩维了，比如学历一项就会用[1,0] 与 [0,1] 来表示Yes 和 No ，那后续该如何拟合呢，维度和原来不一样了啊？还有pandas 里面的 pd.get_dummies(c[‘skill’])，结果也是一样，如何把编码后的每个属性再组合为原始数据的维度？
4 尝试了将数据划分为训练集和测试集，但是先验类别与计算的不一样了，是因为此时的先验概率是训练集的，而非原始数据集了。
5 尝试了用BonulliNB 和 MultinormialNB 方法，前者预测一致，而多项式贝叶斯方法预测相反，查了一下：多项式NB以样本出现的次数为特征值，主要用于离散特征分类，例如文本分类单词统计。

希望得到指点。