朴素贝叶斯 分类算法——代码简洁

借助sklearn机器学习工具库
代码十分简洁易懂，直接上代码，内有详细解释和步骤。
这里提供伯努利朴素贝叶斯和高斯朴素贝叶斯两种算法代码。
直接复制，带入数据，进行调用，即可出结果。

01.伯努利朴素贝叶斯

def Bernoulli_Naive_Bayes(X_train, Y_train, X_test, Y_test):
    """
    X_train: 特征训练集
    Y_train: 标注训练集
    X_test: 特征测试集
    Y_test: 标注测试集
    """

    # 01.创建模型
    from sklearn.naive_bayes import BernoulliNB
    bnb_model = BernoulliNB()

    # 02.训练模型
    bnb_model = bnb_model.fit(X_train, Y_train)

    # 03.模型预测
    Y_pred = bnb_model.predict(X_test)

    # 04.模型评价(accuracy_score:准确率；recall_score：召回率； f1_score：F值)
    from sklearn.metrics import accuracy_score, recall_score, f1_score
    print('ACC:', accuracy_score(Y_test, Y_pred))
    print('REC:', recall_score(Y_test, Y_pred))
    print('F-Score:', f1_score(Y_test, Y_pred))

    return

02.高斯朴素贝叶斯

def Gaussian_Naive_Bayes(X_train, Y_train, X_test, Y_test):
    """
    X_train: 特征训练集
    Y_train: 标注训练集
    X_test: 特征测试集
    Y_test: 标注测试集
    """

    # 01.创建模型
    from sklearn.naive_bayes import GaussianNB
    gnb_model = GaussianNB()

    # 02.训练模型
    gnb_model = gnb_model.fit(X_train, Y_train)

    # 03.模型预测
    Y_pred = gnb_model.predict(X_test)

    # 04.模型评价(accuracy_score:准确率；recall_score：召回率； f1_score：F值)
    from sklearn.metrics import accuracy_score, recall_score, f1_score
    print('ACC:', accuracy_score(Y_test, Y_pred))
    print('REC:', recall_score(Y_test, Y_pred))
    print('F-Score:', f1_score(Y_test, Y_pred))

    return

这里的模型评价指标选择了：

① accuracy_score:准确率；
② recall_score：召回率；
③ f1_score：F值。

在上面代码中都是针对测试集的效果，也可以对训练集进行预测，然后评价训练集的效果，综合比较，可以看看是否会出现过拟合现象。