在 python 中处理不同数据类型的 NaiveBayes 分类器

Posted 2023-03-12

【中文标题】在 python 中处理不同数据类型的 NaiveBayes 分类器

【英文标题】：NaiveBayes classifier handling different data types in python

【发布时间】：2015-09-05 09:48:30

【问题描述】：

我正在尝试在 Python 中实现朴素贝叶斯分类器。我的属性是不同的数据类型：Strings、Int、float、Boolean、Ordinal

我可以使用高斯朴素贝叶斯分类器（Sklearn.naivebayes：Python 包），但我不知道如何处理不同的数据类型。分类器抛出错误，说明无法处理除 Int 或 float 以外的数据类型

我可能想到的一种方法是将字符串编码为数值。但我也怀疑，如果我这样做，分类器的性能会有多好。

【参考方案1】：

是的，您需要将字符串转换为数值 朴素贝叶斯分类器无法处理字符串，因为字符串无法进入数学方程。

如果您的字符串有一些“标量值”，例如“大、中、小”，您可能希望将它们分类为“3,2,1”， 但是，如果您的字符串是没有顺序的东西，例如颜色或名称，您可以这样做或分配二进制变量，每个变量都引用颜色或名称，如果它们不多的话。

例如，如果您要对汽车进行分类，它们可以是红色蓝色和绿色，您可以定义变量“红色”“蓝色”“绿色”，取值 0/1，具体取决于汽车的颜色。

【讨论】：

对于第一种情况，考虑使用 LabelEncoder。第二个你有几种方法可以使用 DictVectorizer 或 OneHotEncoder

好吧，如果我使用Label Encoder/One Hot Encoder，然后我想在上面使用Gaussian Naive Bayes，会不会有问题。我们不能说编码值会遵循高斯分布，对吗？特别是二进制不会是高斯的。

是的，您应该为此使用多项式或伯努利 NB。

@AndreasMueller ：如果是这样，我有一组连续特征和分类特征。在做 python sklearn.naivebayes 时如何组合不同的分布？

bernoulli 会将它们离散化。也许只是使用不同的线性分类器？

【参考方案2】：

不要手动转换数据类型，而是使用字典向量化。

http://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.DictVectorizer.html