-
朴素贝叶斯分类器原理：
这种学习方法基于条件概率，也就是通过已经给定的东西来推断一件事情的发生可能性。朴素贝叶斯应用了贝叶斯定理和朴素独立性假设。
- 优势
- 不相关特征不敏感
- 一次扫描就能快速训练
- 快速分类
- 能够处理任意数量的预测因子，不论他们是连续的还是分类的
- 尤其适合高维数据
- 劣势
- 假定了特征之间相互独立
-
朴素贝叶斯分类算法的实现函数
R中的e1071包中的naiveBayes函数可以实现朴素贝叶斯算法，具体的函数格式如下：naiveBayes(formula,data,laplace=0,subset)
image
- 通过e1071包中的naiveBayes（）函数，使用独立的预测变量，计算一个分类变量的条件后验概率。
setwd("E:\\Rwork")
install.packages("e1071")
library(e1071)
index <- sample(nrow(iris),0.75*nrow(iris))
train <- iris[index,]
test <- iris[index,]
nb1 <- naiveBayes(Species ~., data =train )
prediction <- predict(nb1, test[,-5])
xlab <- table(prediction , test$Species)
xlab
prediction setosa versicolor virginica
setosa 40 0 0
versicolor 0 38 2
virginica 0 2 30
- gmodels包中的CrossTable函数可以来进行模型评估，得到的结果如下：
pre1 <- predict(nb1,test)
a <- table(test$Species,pre1)
(sum(a)-sum(diag(a)))/sum(a)
b <- paste0(round((sum(a)-sum(diag(a)))*100/sum(a),2),"%")
library(gmodels)
CrossTable(test$Species,pre1,prop.r = FALSE,
prop.c = FALSE,prop.t = TRUE,prop.chisq = FALSE)
Cell Contents
|-------------------------|
| N |
| N / Table Total |
|-------------------------|
Total Observations in Table: 112
| pre1
test$Species | setosa | versicolor | virginica | Row Total |
-------------|------------|------------|------------|------------|
setosa | 40 | 0 | 0 | 40 |
| 0.357 | 0.000 | 0.000 | |
-------------|------------|------------|------------|------------|
versicolor | 0 | 38 | 2 | 40 |
| 0.000 | 0.339 | 0.018 | |
-------------|------------|------------|------------|------------|
virginica | 0 | 2 | 30 | 32 |
| 0.000 | 0.018 | 0.268 | |
-------------|------------|------------|------------|------------|
Column Total | 40 | 40 | 32 | 112 |
-------------|------------|------------|------------|------------|
