R语言朴素贝叶斯技术怎么使用
发表于:2024-10-01 作者:千家信息网编辑
千家信息网最后更新 2024年10月01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10月01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 TY8 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
易语言 多线程 数据库
服务器显示文件大小单位
康乐网络技术
福建语音网络技术标准
如何利用odbc访问数据库
2020年网络安全周简讯封面
大学网络安全技术与实践
30米箱梁张拉设计数据库
数据库构建的流程
nba2k韩国服务器
社保局数据库
互联网科技创新的故事
软件开发s.m.c的难易程度
放置江湖华为服务器哪个区
服务器管理器防火墙
古墓丽影无法访问服务器
手机网络安全诗歌
无线网服务器怎么设置快
嵌入式软件开发区小吃街南昌
服务器进入安全模式快捷键
dnf华北1区服务器在哪里
量子通信网络技术有限公司
潜渊症怎么保存服务器
战地1服务器管理员有多少个
宜兴运营软件开发优势
七色互联网络科技有限公司
威海蓝堇网络技术有限公司
星辰网络技术
怎么查看服务器日志是否满了
数据库院长的属性