樸素貝葉斯演算法對新聞進行分類

from sklearn.datasets import fetch_20newsgroups

# 載入資料

news = fetch_20newsgroups(data_home=r'e:\jupyter--workspace'
,subset=
'all'
)

downloading 20news dataset. this may take a few minutes.

downloading dataset from (14 mb)

from sklearn.model_selection import train_test_split

# 資料劃分

x_train,x_test,y_train,y_test = train_test_split(news.data,news.target)

from sklearn.feature_extraction.text import tfidfvectorizer

# 文字特徵抽取

transfer = tfidfvectorizer(
)x_train=transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)

from sklearn.*****_bayes import multinomialnb

# 構建樸素貝葉斯演算法預估器

estimator = multinomialnb(
)estimator.fit(x_train,y_train)

multinomialnb(alpha=1.0, class_prior=none, fit_prior=true)

# 評估模型

y_predict = estimator.predict(x_test)
print
('真實值與**值對吧：\n'
,y_predict==y_test)

真實值與**值對吧：

[ true false true ... false true true]

# 計算準確率

score = estimator.score(x_test,y_test)
print
("準確率:\n"
, score)

準確率:

0.8378607809847198

樸素貝葉斯分類

1 貝葉斯分類是一類分類演算法的總稱，這類演算法均以貝葉斯定理為基礎，故統稱為貝葉斯分類。2 樸素貝葉斯的思想基礎是這樣的 對於給出的待分類項，求解在此項出現的條件下各個類別出現的概率，哪個最大，就認為此待分類項屬於哪個類別。通俗來說，就好比這麼個道理，你在街上看到乙個黑人，我問你你猜這哥們 來的，...

樸素貝葉斯分類

摘自寫在公司內部的wiki 要解決的問題 表中增加欄位classification，有四個取值 0 初始值，未分類 1 positive 2 normal 99 negative review submit前，由樸素貝葉斯分類器決定該條review的flag屬於negative還是positive ...

分類 樸素貝葉斯

原始的貝葉斯公式為 p b a p a b p a p a b p b p a 1 在分類問題中,y為類別,x為樣本特徵,則已知待 的樣本特徵 x 它為類別yi 的概率為 p yi x p x yi p y i p x p yi jp xj y i p x 2 p yi 類別為y i的樣本 數總樣本...