如何从 CSV 在 Scikit 中执行朴素贝叶斯分类

Posted 2023-03-12

【中文标题】如何从 CSV 在 Scikit 中执行朴素贝叶斯分类

【英文标题】：How to Perform a Naieve Bayes Classification in Scikit from CSV

【发布时间】：2018-05-22 01:36:17

【问题描述】：

我希望根据存储在 csv 中的几列人口统计数据以及他们的吸烟者状态来预测某人是否吸烟。

使用的列是： 性别、年龄、种族、服役经历、出生国家、教育程度婚姻状况、家庭收入、家庭收入、家庭子女、酒精数量、单位时间、呼吸急促、哮喘、锻炼、吸烟者、吸烟前、吸烟年龄。

所有列都有数字值，但不一定是二进制值。有人可以帮我纠正我的代码，以便在确定吸烟者状态时考虑这些因素，然后帮我衡量分类器的准确性吗？

我有来自类似问题的以下代码：how to Load CSV Data in scikit and using it for Naive Bayes Classification

target_names = np.array(['Positives','Negatives'])

# add columns to your data frame
data['is_train'] = np.random.uniform(0, 1, len(df)) <= 0.75
data['Type'] = pd.Factor(targets, target_names)
data['Targets'] = targets

# define training and test sets
train = data[data['is_train']==True]
test = data[data['is_train']==False]

trainTargets = np.array(train['Targets']).astype(int)
testTargets = np.array(test['Targets']).astype(int)

# columns you want to model
features = data.columns[0:7]

# call Gaussian Naive Bayesian class with default parameters
gnb = GaussianNB()

# train model
y_gnb = gnb.fit(train[features], trainTargets).predict(train[features])

#Predict Output 

【问题讨论】：

只需使用gnb.predict(test[features]) 即可获取预测标签。然后将它们与您的testTargets

进行比较

【参考方案1】：

这里的数据框似乎缺少一行，但我假设你有它。如果您不这样做，请使用pandas.read_csv 读取您的数据。

此外，您的列似乎包含分类数据和数字数据。例如，“SmokedBefore”列可能是 1/0，而“Age”列可能是 20 或 30 等数字。

这会有所不同，因为在“SmokedBefore”中的意图并不是说 1>0。目的是说是/否。如果您的模型假设更高（或更低）更好，那么这将导致问题。因此它是分类的，不应被视为数值。它只是一个标签，表明某人以前是否吸烟。

但是，在“Age”中，是的意图是说 30 与 20 乘以 10 不同。因此，它是 numerical 并且应该这样对待。

要解决这个问题，您需要将分类特征转换为另一组二元特征，以平衡这种影响并为您处理。这称为单热编码。而不是“SmokedBefore”上的 1/0，它将变为“is_1”和“is_0”以及相应的数据。像这样，每一列都有一个 1 和一个 0。

您可以简单地使用 sklearn 中提供的onehotencoder 函数。使用 categorical_features 参数指定哪些列具有分类特征