目錄

一、導(dǎo)入數(shù)據(jù)

二、選擇特征

三、十折交叉驗(yàn)證

四、劃分訓(xùn)練集和測試集

五、訓(xùn)練高斯貝葉斯模型

六、預(yù)測測試集

?七、查看訓(xùn)練集和測試集上的分?jǐn)?shù)

?八、查看混合矩陣

九、輸出評估指標(biāo)

一、導(dǎo)入數(shù)據(jù)

# 根據(jù)商戶數(shù)據(jù)預(yù)測其是否續(xù)約案例
import pandas
#讀取數(shù)據(jù)到 data 變量中
data = pandas.read_csv('高斯貝葉斯.csv', encoding='ansi')

二、選擇特征

features = [ '注冊時(shí)長', '營收收入', '成本']
x=data[features]
y=data['是否續(xù)約']

三、十折交叉驗(yàn)證

#高斯貝葉斯
from sklearn.naive_bayes import GaussianNB
gaussianNB = GaussianNB()

from sklearn.model_selection import cross_val_score
#進(jìn)行K折交叉驗(yàn)證
cvs = cross_val_score(gaussianNB, x, y, cv=10)
cvs.mean()

?分?jǐn)?shù)如下：

四、劃分訓(xùn)練集和測試集

from sklearn.model_selection import train_test_split#把數(shù)據(jù)集分為訓(xùn)練集和測試集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3)

五、訓(xùn)練高斯貝葉斯模型

gaussianNB = gaussianNB.fit(x_train, y_train)

六、預(yù)測測試集

predict=gaussianNB.predict(x_test)

?七、查看訓(xùn)練集和測試集上的分?jǐn)?shù)

gaussianNB.score(x_train, y_train)

gaussianNB.score(x_test, y_test)

?八、查看混合矩陣

gaussianNB = GaussianNB()
#使用所有數(shù)據(jù)訓(xùn)練模型
gaussianNB.fit(x, y)
#對所有的數(shù)據(jù)進(jìn)行預(yù)測
data['預(yù)測是否續(xù)約'] = gaussianNB.predict(data[features])
from sklearn.metrics import confusion_matrix
#計(jì)算混淆矩陣，labels參數(shù)，可由 gaussianNB.classes_ 得到
confusion_matrix(data['是否續(xù)約'], data['預(yù)測是否續(xù)約'], labels=['不續(xù)約', '續(xù)約']
)

九、輸出評估指標(biāo)

from sklearn.metrics import classification_report
# 輸出評估指標(biāo)
print(classification_report(y_test, predict))