R语言朴素贝叶斯技术怎么使用
发表于：2024-12-03 作者：千家信息网编辑
千家信息网最后更新 2024年12月03日，本篇内容主要讲解"R语言朴素贝叶斯技术怎么使用"，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习"R语言朴素贝叶斯技术怎么使用"吧!安装package：> in
千家信息网最后更新 2024年12月03日R语言朴素贝叶斯技术怎么使用
本篇内容主要讲解"R语言朴素贝叶斯技术怎么使用"，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习"R语言朴素贝叶斯技术怎么使用"吧!
安装package：
> install.packages("e1071")导入e1071：
> library(e1071)
找一个数据集：
> data(iris)> iris Sepal.Length Sepal.Width Petal.Length Petal.Width Species1 5.1 3.5 1.4 0.2 setosa2 4.9 3.0 1.4 0.2 setosa3 4.7 3.2 1.3 0.2 setosa4 4.6 3.1 1.5 0.2 setosa5 5.0 3.6 1.4 0.2 setosa6 5.4 3.9 1.7 0.4 setosa7 4.6 3.4 1.4 0.3 setosa8 5.0 3.4 1.5 0.2 setosa9 4.4 2.9 1.4 0.2 setosa10 4.9 3.1 1.5 0.1 setosa11 5.4 3.7 1.5 0.2 setosa12 4.8 3.4 1.6 0.2 setosa13 4.8 3.0 1.4 0.1 setosa14 4.3 3.0 1.1 0.1 setosa15 5.8 4.0 1.2 0.2 setosa16 5.7 4.4 1.5 0.4 setosa17 5.4 3.9 1.3 0.4 setosa18 5.1 3.5 1.4 0.3 setosa19 5.7 3.8 1.7 0.3 setosa20 5.1 3.8 1.5 0.3 setosa21 5.4 3.4 1.7 0.2 setosa22 5.1 3.7 1.5 0.4 setosa23 4.6 3.6 1.0 0.2 setosa24 5.1 3.3 1.7 0.5 setosa25 4.8 3.4 1.9 0.2 setosa26 5.0 3.0 1.6 0.2 setosa27 5.0 3.4 1.6 0.4 setosa28 5.2 3.5 1.5 0.2 setosa29 5.2 3.4 1.4 0.2 setosa30 4.7 3.2 1.6 0.2 setosa31 4.8 3.1 1.6 0.2 setosa32 5.4 3.4 1.5 0.4 setosa33 5.2 4.1 1.5 0.1 setosa34 5.5 4.2 1.4 0.2 setosa35 4.9 3.1 1.5 0.2 setosa36 5.0 3.2 1.2 0.2 setosa37 5.5 3.5 1.3 0.2 setosa38 4.9 3.6 1.4 0.1 setosa39 4.4 3.0 1.3 0.2 setosa40 5.1 3.4 1.5 0.2 setosa41 5.0 3.5 1.3 0.3 setosa42 4.5 2.3 1.3 0.3 setosa43 4.4 3.2 1.3 0.2 setosa44 5.0 3.5 1.6 0.6 setosa45 5.1 3.8 1.9 0.4 setosa46 4.8 3.0 1.4 0.3 setosa47 5.1 3.8 1.6 0.2 setosa48 4.6 3.2 1.4 0.2 setosa49 5.3 3.7 1.5 0.2 setosa50 5.0 3.3 1.4 0.2 setosa51 7.0 3.2 4.7 1.4 versicolor52 6.4 3.2 4.5 1.5 versicolor53 6.9 3.1 4.9 1.5 versicolor54 5.5 2.3 4.0 1.3 versicolor55 6.5 2.8 4.6 1.5 versicolor56 5.7 2.8 4.5 1.3 versicolor57 6.3 3.3 4.7 1.6 versicolor58 4.9 2.4 3.3 1.0 versicolor59 6.6 2.9 4.6 1.3 versicolor60 5.2 2.7 3.9 1.4 versicolor61 5.0 2.0 3.5 1.0 versicolor62 5.9 3.0 4.2 1.5 versicolor63 6.0 2.2 4.0 1.0 versicolor64 6.1 2.9 4.7 1.4 versicolor65 5.6 2.9 3.6 1.3 versicolor66 6.7 3.1 4.4 1.4 versicolor67 5.6 3.0 4.5 1.5 versicolor68 5.8 2.7 4.1 1.0 versicolor69 6.2 2.2 4.5 1.5 versicolor70 5.6 2.5 3.9 1.1 versicolor71 5.9 3.2 4.8 1.8 versicolor72 6.1 2.8 4.0 1.3 versicolor73 6.3 2.5 4.9 1.5 versicolor74 6.1 2.8 4.7 1.2 versicolor75 6.4 2.9 4.3 1.3 versicolor76 6.6 3.0 4.4 1.4 versicolor77 6.8 2.8 4.8 1.4 versicolor78 6.7 3.0 5.0 1.7 versicolor79 6.0 2.9 4.5 1.5 versicolor80 5.7 2.6 3.5 1.0 versicolor81 5.5 2.4 3.8 1.1 versicolor82 5.5 2.4 3.7 1.0 versicolor83 5.8 2.7 3.9 1.2 versicolor84 6.0 2.7 5.1 1.6 versicolor85 5.4 3.0 4.5 1.5 versicolor86 6.0 3.4 4.5 1.6 versicolor87 6.7 3.1 4.7 1.5 versicolor88 6.3 2.3 4.4 1.3 versicolor89 5.6 3.0 4.1 1.3 versicolor90 5.5 2.5 4.0 1.3 versicolor91 5.5 2.6 4.4 1.2 versicolor92 6.1 3.0 4.6 1.4 versicolor93 5.8 2.6 4.0 1.2 versicolor94 5.0 2.3 3.3 1.0 versicolor95 5.6 2.7 4.2 1.3 versicolor96 5.7 3.0 4.2 1.2 versicolor97 5.7 2.9 4.2 1.3 versicolor98 6.2 2.9 4.3 1.3 versicolor99 5.1 2.5 3.0 1.1 versicolor100 5.7 2.8 4.1 1.3 versicolor101 6.3 3.3 6.0 2.5 virginica102 5.8 2.7 5.1 1.9 virginica103 7.1 3.0 5.9 2.1 virginica104 6.3 2.9 5.6 1.8 virginica105 6.5 3.0 5.8 2.2 virginica106 7.6 3.0 6.6 2.1 virginica107 4.9 2.5 4.5 1.7 virginica108 7.3 2.9 6.3 1.8 virginica109 6.7 2.5 5.8 1.8 virginica110 7.2 3.6 6.1 2.5 virginica111 6.5 3.2 5.1 2.0 virginica112 6.4 2.7 5.3 1.9 virginica113 6.8 3.0 5.5 2.1 virginica114 5.7 2.5 5.0 2.0 virginica115 5.8 2.8 5.1 2.4 virginica116 6.4 3.2 5.3 2.3 virginica117 6.5 3.0 5.5 1.8 virginica118 7.7 3.8 6.7 2.2 virginica119 7.7 2.6 6.9 2.3 virginica120 6.0 2.2 5.0 1.5 virginica121 6.9 3.2 5.7 2.3 virginica122 5.6 2.8 4.9 2.0 virginica123 7.7 2.8 6.7 2.0 virginica124 6.3 2.7 4.9 1.8 virginica125 6.7 3.3 5.7 2.1 virginica126 7.2 3.2 6.0 1.8 virginica127 6.2 2.8 4.8 1.8 virginica128 6.1 3.0 4.9 1.8 virginica129 6.4 2.8 5.6 2.1 virginica130 7.2 3.0 5.8 1.6 virginica131 7.4 2.8 6.1 1.9 virginica132 7.9 3.8 6.4 2.0 virginica133 6.4 2.8 5.6 2.2 virginica134 6.3 2.8 5.1 1.5 virginica135 6.1 2.6 5.6 1.4 virginica136 7.7 3.0 6.1 2.3 virginica137 6.3 3.4 5.6 2.4 virginica138 6.4 3.1 5.5 1.8 virginica139 6.0 3.0 4.8 1.8 virginica140 6.9 3.1 5.4 2.1 virginica141 6.7 3.1 5.6 2.4 virginica142 6.9 3.1 5.1 2.3 virginica143 5.8 2.7 5.1 1.9 virginica144 6.8 3.2 5.9 2.3 virginica145 6.7 3.3 5.7 2.5 virginica146 6.7 3.0 5.2 2.3 virginica147 6.3 2.5 5.0 1.9 virginica148 6.5 3.0 5.2 2.0 virginica149 6.2 3.4 5.4 2.3 virginica150 5.9 3.0 5.1 1.8 virginica
Sepal意思是"花萼 "，Petal意思是" 花瓣"。很明显，前四列是花萼和花瓣的特征，第五列代表相应的分类。我们可以用这个数据集进行贝叶斯训练。
先看一下，对这个数据集summary的结果：
> summary(iris) Sepal.Length Sepal.Width Petal.Length Petal.Width Species Min. :4.300 Min. :2.000 Min. :1.000 Min. :0.100 setosa :50 1st Qu.:5.100 1st Qu.:2.800 1st Qu.:1.600 1st Qu.:0.300 versicolor:50 Median :5.800 Median :3.000 Median :4.350 Median :1.300 virginica :50 Mean :5.843 Mean :3.057 Mean :3.758 Mean :1.199 3rd Qu.:6.400 3rd Qu.:3.300 3rd Qu.:5.100 3rd Qu.:1.800 Max. :7.900 Max. :4.400 Max. :6.900 Max. :2.500
训练并查看训练结果：
> classifier<-naiveBayes(iris[,1:4], iris[,5]) > classifierNaive Bayes Classifier for Discrete PredictorsCall:naiveBayes.default(x = iris[, 1:4], y = iris[, 5])A-priori probabilities:iris[, 5] setosa versicolor virginica 0.3333333 0.3333333 0.3333333 Conditional probabilities: Sepal.Lengthiris[, 5] [,1] [,2] setosa 5.006 0.3524897 versicolor 5.936 0.5161711 virginica 6.588 0.6358796 Sepal.Widthiris[, 5] [,1] [,2] setosa 3.428 0.3790644 versicolor 2.770 0.3137983 virginica 2.974 0.3224966 Petal.Lengthiris[, 5] [,1] [,2] setosa 1.462 0.1736640 versicolor 4.260 0.4699110 virginica 5.552 0.5518947 Petal.Widthiris[, 5] [,1] [,2] setosa 0.246 0.1053856 versicolor 1.326 0.1977527 virginica 2.026 0.2746501> classifier$aprioriiris[, 5] setosa versicolor virginica 50 50 50 > classifier$tables$Sepal.Length Sepal.Lengthiris[, 5] [,1] [,2] setosa 5.006 0.3524897 versicolor 5.936 0.5161711 virginica 6.588 0.6358796$Sepal.Width Sepal.Widthiris[, 5] [,1] [,2] setosa 3.428 0.3790644 versicolor 2.770 0.3137983 virginica 2.974 0.3224966$Petal.Length Petal.Lengthiris[, 5] [,1] [,2] setosa 1.462 0.1736640 versicolor 4.260 0.4699110 virginica 5.552 0.5518947$Petal.Width Petal.Widthiris[, 5] [,1] [,2] setosa 0.246 0.1053856 versicolor 1.326 0.1977527 virginica 2.026 0.2746501
classifier中：
A-priori probabilities:iris[, 5] setosa versicolor virginica 0.3333333 0.3333333 0.3333333
很好理解，就是类别的先验概率。
而：
$Petal.Width Petal.Widthiris[, 5] [,1] [,2] setosa 0.246 0.1053856 versicolor 1.326 0.1977527 virginica 2.026 0.2746501
是特征Petal.Width的条件概率，在这个贝叶斯实现中，特征是数值型数据（而且还还有小数部分），这里假设概率密度符合高斯分布。比如对于特征Petal.Width，其属于setosa的概率符合mean为0.246，标准方差为0.1053856的高斯分布。
预测：
预测iris数据集中的第一个数据：
> predict(classifier, iris[1, -5])[1] setosaLevels: setosa versicolor virginica
iris[1,-5]表示第一行的前4列。
看一下该分类器的效果：
> table(predict(classifier, iris[,-5]), iris[,5], dnn=list('predicted','actual')) actualpredicted setosa versicolor virginica setosa 50 0 0 versicolor 0 47 3 virginica 0 3 47分类效果还是不错的。
自己构造一个新的数据并预测：
> new_data = data.frame(Sepal.Length=7, Sepal.Width=3, Petal.Length=6, Petal.Width=2)> predict(classifier, new_data)[1] virginicaLevels: setosa versicolor virginica
如果少一个特征（只有三个特征）：
> new_data = data.frame(Sepal.Length=7, Sepal.Width=3, Petal.Length=6)> predict(classifier, new_data)[1] virginicaLevels: setosa versicolor virginica
下面看一下，这个库如何处理标称型特征：
数据如下：
> model = c("H", "H", "H", "H", "T", "T", "T", "T")> place = c("B", "B", "N", "N", "B", "B", "N", "N")> repairs = c("Y", "N", "Y", "N", "Y", "N", "Y", "N")> dataset = data.frame(model, place, repairs)> dataset model place repairs1 H B Y2 H B N3 H N Y4 H N N5 T B Y6 T B N7 T N Y8 T N N贝叶斯之：
> classifier<-naiveBayes(dataset[,1:2], dataset[,3]) > classifierNaive Bayes Classifier for Discrete PredictorsCall:naiveBayes.default(x = dataset[, 1:2], y = dataset[, 3])A-priori probabilities:dataset[, 3] N Y 0.5 0.5 Conditional probabilities: modeldataset[, 3] H T N 0.5 0.5 Y 0.5 0.5 placedataset[, 3] B N N 0.5 0.5 Y 0.5 0.5
好了，预测一下：
> new_data = data.frame(model="H", place="B")> predict(classifier, new_data)[1] NLevels: N Y
perfect！
补充一下，如果某个数据缺少某些特征：
可以用NA代替该特征：
> model = c("H", "H", "H", "H", "T", "T", "T", "T")> place = c("B", "B", "N", "N", "B", "B", NA, NA)> repairs = c("Y", "N", "Y", "N", "Y", "N", "Y", "N")> dataset = data.frame(model, place, repairs)> dataset model place repairs1 H B Y2 H B N3 H N Y4 H N N5 T B Y6 T B N7 T Y8 T N> classifier<-naiveBayes(dataset[,1:2], dataset[,3]) > classifierNaive Bayes Classifier for Discrete PredictorsCall:naiveBayes.default(x = dataset[, 1:2], y = dataset[, 3])A-priori probabilities:dataset[, 3] N Y 0.5 0.5 Conditional probabilities: modeldataset[, 3] H T N 0.5 0.5 Y 0.5 0.5 placedataset[, 3] B N N 0.6666667 0.3333333 Y 0.6666667 0.3333333 到此，相信大家对"R语言朴素贝叶斯技术怎么使用"有了更深的了解，不妨来实际操作一番吧！这里是网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！
数据
特征
贝叶
概率
朴素
技术
语言
分类
训练
内容
意思
效果
结果
花瓣
花萼
高斯
学习
不错
实用
明显
数据库的安全要保护哪些东西
数据库安全各自的含义是什么
生产安全数据库录入
数据库的安全性及管理
数据库安全策略包含哪些
海淀数据库安全审计系统
建立农村房屋安全信息数据库
易用的数据库客户端支持安全管理
连接数据库失败ssl安全错误
数据库的锁怎样保障安全
用什么软件开发mysql
桓台oa管理软件开发公司
网络安全一般误报项目
怎么把共享服务器添加我的电脑
中国人民大学硕士学位论文数据库
山东办公系统软件开发哪里好
android手机数据库
新游网络安全海报
网易服务器缩
闵行区网络软件开发信息推荐
网络安全对战平台开发
前端数据库管理工具
天津特定软件开发特点
王者荣耀手机平板服务器一样吗
摩尔庄园骑士服务器
网络安全技术分类三大类
数据库入门教程
钱塘新区物流软件开发
mysql数据库软件测试
开展网络安全活动周
常用单位数据库
奔汉互联网科技
闵行区网络软件开发信息推荐
自制数据库
如何掌握软件开发基本技能
金蝶国际软件开发部主管是谁
网络服务器共享会知道几台电脑吗
服务器root密码修改
湖南省 网络安全应急预案
代理服务器 监控
