最近，在贝叶斯统计实验中，我们向客户演示了用R的朴素贝叶斯分类器可以提供的内容。
这个实用的例子介绍了使用R统计环境的朴素贝叶斯模型。 它不假设先验知识。
我们的步骤是：
1.启动R
2.探索Iris鸢尾花数据集
3.构造朴素贝叶斯分类器
4.理解朴素贝叶斯
探索Iris数据集
在这个实践中，我们将探索经典的“Iris”数据集。
探索Iris数据集
在这个实践中，我们将探索经典的“Iris”数据集。
Iris数据集有150个数据点和5个变量。每一个数据点包含一个特定的花，并给出4种花的测量值。
任务是用花的特征与物种一起构建一个分类器，从4种对花的观测量中预测花的品种。
要将Iris数据集放到您的R会话中，请执行以下操作：
data(iris)
查看数据
pairs(iris[1:4],main="
视频
贝叶斯推断线性回归与R语言预测工人工资数据
视频
R语言中RStan贝叶斯层次模型分析示例
命令创建了一个散点图。类决定数据点的颜色。从中可以看出，setosa花的花瓣比其他两种都要小。
提供数据摘要
summary(iris)
构造朴素贝叶斯分类器
我们构建一个朴素的贝叶斯分类器。
(1)加载到您的工作区
(2)构建朴素的Bayes分类器，
(3)对数据进行一些预测，请执行以下操作：
library(e1071)
classifier<-naiveBayes(iris[,1:4], iris[,5])
table(predict(classifier, iris[,-5]), iris[,5], dnn=list('predicted','actual'))
正如你应该看到的那样，分类器在分类方面做得很好。为什么这并不奇怪？
随时关注您喜欢的主题
这给出了数据中的类分布：类的先验分布。(“先验”是拉丁语，表示“从前开始”)。
由于这里的预测变量都是连续的，朴素贝叶斯分类器为每个预测变量生成三个Giaussian(正态分布)分布：一个用于类变量的每个值。
您将看到3个依赖于类的高斯分布的平均(第一列)和标准偏差(第二列)：
绘制成图：
plot(function(x) dnorm, 0, 8, col=2, main="3种不同物种的花瓣长度分布")
curve(
值得注意的是，setosa irises(蓝色曲线)花瓣较小(平均值=1.462)，花瓣长度变化较小(唐氏偏差仅为0.1736640)。
理解朴素贝叶斯
在这个问题中，您必须计算出对于一些离散数据，朴素贝叶斯模型的参数应该是什么。
该数据集被称为HairEyeColor，有三个变量：性别、眼睛和头发，给出了某大学592名学生的这3个变量的值。首先看一下数字：
您还可以将其绘制为“马赛克”图，它使用矩形来表示数据中的数字：
你在这里的工作是为一个朴素的贝叶斯分类器计算参数，它试图从另外两个变量中预测性别。参数应该使用最大的可能性来估计。为了节省手工计算的繁琐时间，下面是如何使用Edge.table来获取所需的计数
naiveBayes(Sex ~
R语言Stan贝叶斯回归置信区间后验分布可视化模型检验
R语言层次聚类、多维缩放MDS分类RNA测序（RNA-seq）乳腺发育基因数据可视化|附数据代码
R语言贝叶斯INLA空间自相关、混合效应、季节空间模型、SPDE、时空分析野生动物数据可视化
Python众筹项目结果预测：优化后的随机森林分类器可视化
