99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

熱線電話：13121318867

登錄
首頁精彩閱讀R語言使用樸素貝葉斯分類算法
R語言使用樸素貝葉斯分類算法
2018-01-15
收藏

樸素貝葉斯分類器也是一類基于概率的分類器，它源于貝葉斯理論，假設(shè)樣本屬性之間相互獨立。
操作
利用樸素貝葉斯分類器對churn數(shù)據(jù)集進行分類：
導(dǎo)入e1071庫，使用naiveBayes函數(shù)構(gòu)建分類器
library(e1071)
classifier = naiveBayes(trainset[,!names(trainset) %in% c("churn")],trainset$churn)
classifier
Naive Bayes Classifier for Discrete Predictors

Call:
naiveBayes.default(x = trainset[, !names(trainset) %in% c("churn")],
    y = trainset$churn)

A-priori probabilities:
trainset$churn
      yes        no
0.1477322 0.8522678

Conditional probabilities:
              international_plan
trainset$churn          0          1
           yes 0.70467836 0.29532164
           no  0.93512418 0.06487582

              voice_mail_plan
trainset$churn         0         1
           yes 0.8333333 0.1666667
           no  0.7045109 0.2954891

              number_vmail_messages
trainset$churn     [,1]     [,2]
           yes 5.099415 11.80618
           no  8.674607 14.03670

              total_day_minutes
trainset$churn     [,1]     [,2]
           yes 205.8877 69.10294
           no  174.2555 50.16357

              total_day_calls
trainset$churn     [,1]     [,2]
           yes 101.0234 22.02903
           no  100.5509 19.67038

              total_day_charge
trainset$churn     [,1]      [,2]
           yes 35.00143 11.747587
           no  29.62402  8.527769

              total_eve_minutes
trainset$churn     [,1]     [,2]
           yes 213.7269 51.92206
           no  199.6197 50.53780

              total_eve_calls
trainset$churn     [,1]     [,2]
           yes 101.4123 19.48658
           no   99.9478 20.16161

              total_eve_charge
trainset$churn     [,1]     [,2]
           yes 18.16702 4.413058
           no  16.96789 4.295730

              total_night_minutes
trainset$churn     [,1]     [,2]
           yes 205.4640 47.11434
           no  201.4184 51.34049

              total_night_calls
trainset$churn     [,1]     [,2]
           yes 100.2573 20.32690
           no  100.0193 19.68094

              total_night_charge
trainset$churn     [,1]    [,2]
           yes 9.245994 2.12038
           no  9.063882 2.31040

              total_intl_minutes
trainset$churn     [,1]     [,2]
           yes 10.73684 2.752784
           no  10.15119 2.819086

              total_intl_calls
trainset$churn     [,1]     [,2]
           yes 4.134503 2.487395
           no  4.514445 2.394724

              total_intl_charge
trainset$churn     [,1]      [,2]
           yes 2.899386 0.7432760
           no  2.741343 0.7611755

              number_customer_service_calls
trainset$churn     [,1]     [,2]
           yes 2.204678 1.808803
           no  1.441460 1.150114

生成測試數(shù)據(jù)集分類表：

bayes.table = table(predict(classifier,testset[,!names(testset) %in% c("churn")]),testset$churn)
bayes.table

      yes  no
  yes  68  45
  no   73 832

利用分類表生成混淆矩陣：
 confusionMatrix(bayes.table)
Confusion Matrix and Statistics


      yes  no
  yes  68  45
  no   73 832

               Accuracy : 0.8841          
                 95% CI : (0.8628, 0.9031)
    No Information Rate : 0.8615          
    P-Value [Acc > NIR] : 0.01880         

                  Kappa : 0.4701          
 Mcnemar's Test P-Value : 0.01294         

            Sensitivity : 0.4823          
            Specificity : 0.9487          
         Pos Pred Value : 0.6018          
         Neg Pred Value : 0.9193          
             Prevalence : 0.1385          
         Detection Rate : 0.0668          
   Detection Prevalence : 0.1110          
      Balanced Accuracy : 0.7155          

       'Positive' Class : yes    
說明

樸素貝葉斯算法假設(shè)特征變量都是條件獨立，即預(yù)測變量（x）對分類結(jié)果（c）的影響與其它變量對c的影響是相互獨立的。
先驗概率P(ωj)是由先驗知識而獲得的。
后驗概率P(ωj|x)，即假設(shè)特征值x已知的條件下類別屬于ωj的概率。樸素貝葉斯算法的優(yōu)勢在于其簡單性，應(yīng)用也比較直接，適合用訓(xùn)練數(shù)據(jù)集規(guī)格較小，有可能存在某些缺失與噪音的情況，預(yù)測值的概率計算比較簡單，算法不足之處在于它假定的所有的特征變量之間相互獨立，并且同等重要，這個前提在現(xiàn)實世界中很難成立。
本節(jié)使用e1071包中的樸素貝葉斯分類器構(gòu)成分類模型，首先，我們假定在樸素貝葉斯函數(shù)中調(diào)用的所有變量（包括churn類標(biāo)號)都是輸入函數(shù)的第一輸入?yún)?shù)，churn類標(biāo)號為算法的第二輸入?yún)?shù)。接下來，將分類模型指派給不同的變量分類。再輸出分類器的相關(guān)信息，包括函數(shù)調(diào)用、先驗概率以及條件概率等。我們也可以使用predict函數(shù)預(yù)測結(jié)果，并使用table函數(shù)得到測試數(shù)據(jù)集的分類表，最后，生成混淆矩陣計算分類模型。

數(shù)據(jù)分析咨詢請掃描二維碼

若不方便掃碼，搜微信號：CDAshujufenxi

數(shù)據(jù)分析師資訊
更多

OK
客服在線
立即咨詢
客服在線
立即咨詢
') } function initGt() { var handler = function (captchaObj) { captchaObj.appendTo('#captcha'); captchaObj.onReady(function () { $("#wait").hide(); }).onSuccess(function(){ $('.getcheckcode').removeClass('dis'); $('.getcheckcode').trigger('click'); }); window.captchaObj = captchaObj; }; $('#captcha').show(); $.ajax({ url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機數(shù)防止緩存 type: "get", dataType: "json", success: function (data) { $('#text').hide(); $('#wait').show(); // 調(diào)用 initGeetest 進行初始化 // 參數(shù)1：配置參數(shù) // 參數(shù)2：回調(diào)，回調(diào)的第一個參數(shù)驗證碼對象，之后可以使用它調(diào)用相應(yīng)的接口 initGeetest({ // 以下 4 個配置參數(shù)為必須，不能缺少 gt: data.gt, challenge: data.challenge, offline: !data.success, // 表示用戶后臺檢測極驗服務(wù)器是否宕機 new_captcha: data.new_captcha, // 用于宕機時表示是新驗證碼的宕機 product: "float", // 產(chǎn)品形式，包括：float，popup width: "280px", https: true // 更多配置參數(shù)說明請參見：http://docs.geetest.com/install/client/web-front/ }, handler); } }); } function codeCutdown() { if(_wait == 0){ //倒計時完成 $(".getcheckcode").removeClass('dis').html("重新獲取"); }else{ $(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)"); _wait--; setTimeout(function () { codeCutdown(); },1000); } } function inputValidate(ele,telInput) { var oInput = ele; var inputVal = oInput.val(); var oType = ele.attr('data-type'); var oEtag = $('#etag').val(); var oErr = oInput.closest('.form_box').next('.err_txt'); var empTxt = '請輸入'+oInput.attr('placeholder')+'！'; var errTxt = '請輸入正確的'+oInput.attr('placeholder')+'！'; var pattern; if(inputVal==""){ if(!telInput){ errFun(oErr,empTxt); } return false; }else { switch (oType){ case 'login_mobile': pattern = /^1[3456789]\d{9}$/; if(inputVal.length==11) { $.ajax({ url: '/login/checkmobile', type: "post", dataType: "json", data: { mobile: inputVal, etag: oEtag, page_ur: window.location.href, page_referer: document.referrer }, success: function (data) { } }); } break; case 'login_yzm': pattern = /^\d{6}$/; break; } if(oType=='login_mobile'){ } if(!!validateFun(pattern,inputVal)){ errFun(oErr,'') if(telInput){ $('.getcheckcode').removeClass('dis'); } }else { if(!telInput) { errFun(oErr, errTxt); }else { $('.getcheckcode').addClass('dis'); } return false; } } return true; } function errFun(obj,msg) { obj.html(msg); if(msg==''){ $('.login_submit').removeClass('dis'); }else { $('.login_submit').addClass('dis'); } } function validateFun(pat,val) { return pat.test(val); }