全文鏈接：http://tecdat.cn/?p=31070

原文出處：拓端數據部落公眾號

最近，在貝葉斯統(tǒng)計實驗中，我們向客戶演示了用R的樸素貝葉斯分類器可以提供的內容。

這個實用的例子介紹了使用R統(tǒng)計環(huán)境的樸素貝葉斯模型。 它不假設先驗知識。

我們的步驟是：

1.啟動R

2.探索Iris鳶尾花數據集

3.構造樸素貝葉斯分類器

4.理解樸素貝葉斯

探索Iris數據集

在這個實踐中，我們將探索經典的“Iris”數據集。

Iris數據集有150個數據點和5個變量。每一個數據點包含一個特定的花，并給出4種花的測量值。

任務是用花的特征與物種一起構建一個分類器，從4種對花的觀測量中預測花的品種。

要將Iris數據集放到您的R會話中，請執(zhí)行以下操作：

data(iris)

查看數據

pairs(iris[1:4],main="

命令創(chuàng)建了一個散點圖。類決定數據點的顏色。從中可以看出，setosa花的花瓣比其他兩種都要小。

提供數據摘要

summary(iris)

構造樸素貝葉斯分類器

我們構建一個樸素的貝葉斯分類器。

(1)加載到您的工作區(qū)

(2)構建樸素的Bayes分類器，

(3)對數據進行一些預測，請執(zhí)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'))

正如你應該看到的那樣，分類器在分類方面做得很好。為什么這并不奇怪？

這給出了數據中的類分布：類的先驗分布。(“先驗”是拉丁語，表示“從前開始”)。

由于這里的預測變量都是連續(xù)的，樸素貝葉斯分類器為每個預測變量生成三個Giaussian(正態(tài)分布)分布：一個用于類變量的每個值。

您將看到3個依賴于類的高斯分布的平均(第一列)和標準偏差(第二列)：

繪制成圖：

plot(function(x) dnorm, 0, 8, col=2, main="3種不同物種的花瓣長度分布") curve(

值得注意的是，setosa irises(藍色曲線)花瓣較小(平均值=1.462)，花瓣長度變化較小(唐氏偏差僅為0.1736640)。

理解樸素貝葉斯

在這個問題中，您必須計算出對于一些離散數據，樸素貝葉斯模型的參數應該是什么。

該數據集被稱為HairEyeColor，有三個變量：性別、眼睛和頭發(fā)，給出了某大學592名學生的這3個變量的值。首先看一下數字：

您還可以將其繪制為“馬賽克”圖，它使用矩形來表示數據中的數字：

你在這里的工作是為一個樸素的貝葉斯分類器計算參數，它試圖從另外兩個變量中預測性別。參數應該使用最大的可能性來估計。為了節(jié)省手工計算的繁瑣時間，下面是如何使用Edge.table來獲取所需的計數

naiveBayes(Sex ~

預測

最受歡迎的見解

1.matlab使用貝葉斯優(yōu)化的深度學習

2.matlab貝葉斯隱馬爾可夫hmm模型實現

3.R語言Gibbs抽樣的貝葉斯簡單線性回歸仿真

4.R語言中的block Gibbs吉布斯采樣貝葉斯多元線性回歸

5.R語言中的Stan概率編程MCMC采樣的貝葉斯模型

6.R語言貝葉斯Poisson泊松-正態(tài)分布模型分析職業(yè)足球比賽進球數

7.R語言使用貝葉斯 層次模型進行空間數據分析

8.R語言隨機搜索變量選擇SSVS估計貝葉斯向量自回歸（BVAR）模型

9.matlab貝葉斯隱馬爾可夫hmm模型實現