影楼网站模版,万网网站需要的步骤,最专业的网站建设公司,做网站必须有站点吗本文将通过一个具体的例子#xff0c;展示如何使用 Python 和 scikit-learn 库中的 GaussianNB 模型#xff0c;对二维散点数据进行分类#xff0c;并可视化分类结果。
1. 数据准备
假设我们有两个类别的二维散点数据#xff0c;每个类别包含若干个点。我们将这些点分别存…本文将通过一个具体的例子展示如何使用 Python 和 scikit-learn 库中的 GaussianNB 模型对二维散点数据进行分类并可视化分类结果。
1. 数据准备
假设我们有两个类别的二维散点数据每个类别包含若干个点。我们将这些点分别存储为 NumPy 数组并为每个点分配一个类别标签。
import numpy as np# 类别 1 的点集
class1_points np.array([[1.9, 1.2],[1.5, 2.1],[1.9, 0.5],[1.5, 0.9],[0.9, 1.2],[1.1, 1.7],[1.4, 1.1]])# 类别 2 的点集
class2_points np.array([[3.2, 3.2],[3.7, 2.9],[3.2, 2.6],[1.7, 3.3],[3.4, 2.6],[4.1, 2.3],[3.0, 2.9]])# 合并数据
X np.vstack((class1_points, class2_points))# 创建标签
y np.array([0] * len(class1_points) [1] * len(class2_points))
2. 训练朴素贝叶斯模型
朴素贝叶斯分类器基于贝叶斯定理假设特征之间相互独立。GaussianNB 是一种适用于连续数值型数据的朴素贝叶斯分类器它假设每个特征的分布符合高斯分布。
from sklearn.naive_bayes import GaussianNB# 初始化朴素贝叶斯分类器
model GaussianNB()# 训练模型
model.fit(X, y)
3. 可视化分类结果
为了更好地理解模型的分类效果我们可以绘制散点图并显示决策边界。这有助于直观地观察模型如何区分两个类别。
import matplotlib.pyplot as plt# 创建网格点
x_min, x_max X[:, 0].min() - 1, X[:, 0].max() 1
y_min, y_max X[:, 1].min() - 1, X[:, 1].max() 1
xx, yy np.meshgrid(np.arange(x_min, x_max, 0.1),np.arange(y_min, y_max, 0.1))# 预测网格点的类别
Z model.predict(np.c_[xx.ravel(), yy.ravel()])
Z Z.reshape(xx.shape)# 绘制决策边界和散点图
plt.contourf(xx, yy, Z, alpha0.8)
plt.scatter(X[:, 0], X[:, 1], cy, edgecolorsk, markero)
plt.xlabel(Feature 1)
plt.ylabel(Feature 2)
plt.title(Naive Bayes Decision Boundary)
plt.show()
可视化结果展示 4. 预测新数据点
训练好的模型可以用于对新的数据点进行分类。我们将提供一些新的数据点并使用模型预测它们的类别。
# 新数据点
new_points np.array([[2.0, 2.0],[3.5, 3.0]])# 预测新数据点的类别
new_predictions model.predict(new_points)
print(New points predictions:, new_predictions)
预测结果 5. 完整代码
以下是完整的代码实现包括数据准备、模型训练、可视化和新数据点的预测。
import numpy as np
from sklearn.naive_bayes import GaussianNB
import matplotlib.pyplot as plt# 类别 1 的点集
class1_points np.array([[1.9, 1.2],[1.5, 2.1],[1.9, 0.5],[1.5, 0.9],[0.9, 1.2],[1.1, 1.7],[1.4, 1.1]])# 类别 2 的点集
class2_points np.array([[3.2, 3.2],[3.7, 2.9],[3.2, 2.6],[1.7, 3.3],[3.4, 2.6],[4.1, 2.3],[3.0, 2.9]])# 合并数据
X np.vstack((class1_points, class2_points))# 创建标签
y np.array([0] * len(class1_points) [1] * len(class2_points))# 初始化朴素贝叶斯分类器
model GaussianNB()# 训练模型
model.fit(X, y)# 创建网格点
x_min, x_max X[:, 0].min() - 1, X[:, 0].max() 1
y_min, y_max X[:, 1].min() - 1, X[:, 1].max() 1
xx, yy np.meshgrid(np.arange(x_min, x_max, 0.1),np.arange(y_min, y_max, 0.1))# 预测网格点的类别
Z model.predict(np.c_[xx.ravel(), yy.ravel()])
Z Z.reshape(xx.shape)# 绘制决策边界和散点图
plt.contourf(xx, yy, Z, alpha0.8)
plt.scatter(X[:, 0], X[:, 1], cy, edgecolorsk, markero)
plt.xlabel(Feature 1)
plt.ylabel(Feature 2)
plt.title(Naive Bayes Decision Boundary)
plt.show()# 新数据点
new_points np.array([[2.0, 2.0],[3.5, 3.0]])# 预测新数据点的类别
new_predictions model.predict(new_points)
print(New points predictions:, new_predictions)
