R语言朴素贝叶斯Naive Bayes分类Iris鸢尾花和HairEyeColor学生性别和眼睛头发颜色数据

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。

由Kaizong Ye,Liao Bao撰写

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

探索见解

去bilibili观看

探索更多视频


自适应网页宽度的 Youku 视频

视频

R语言中RStan贝叶斯层次模型分析示例

探索见解

去bilibili观看

探索更多视频

image.png

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)
image.png

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'))
image.png

图片

R语言用贝叶斯线性回归、贝叶斯模型平均 (BMA)来预测工人工资

阅读文章


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?

image.png


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):

image.png

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(
image.png

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:

image.png

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:

image.png

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

image.png
naiveBayes(Sex ~
image.png

预测

image.png


可下载资源

关于作者

Kaizong Ye拓端研究室(TRL)的研究员。在此对他对本文所作的贡献表示诚挚感谢,他在上海财经大学完成了统计学专业的硕士学位,专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

​非常感谢您阅读本文,如需帮助请联系我们!

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498

关注有关新文章的微信公众号


永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。

技术干货

最新洞察

This will close in 0 seconds