Python sklearn中算法的使用方法

小編給大家分享一下Python sklearn中算法的使用方法，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！

1、高斯樸素貝葉斯 (GaussianNB)

介紹如何使用sklearn來實現GaussianNB

from sklearn import datasets
iris = datasets.load_iris()
from sklearn.naive_bayes import GaussianNB
gnb = GaussianNB()
y_pred = gnb.fit(iris.data, iris.target).predict(iris.data)
print("Number of mislabeled points out of a total %d points : %d"
 % (iris.data.shape[0],(iris.target != y_pred).sum()))

2、多項式樸素貝葉斯 (MultinomialNB/MNB)

隨機生成一組數據，然后使用MultinomialNB算法來學習。

import numpy as np
X = np.random.randint(50, size=(1000, 100))
y = np.random.randint(6, size=(1000))
from sklearn.naive_bayes import MultinomialNB
clf = MultinomialNB()
clf.fit(X, y)
print(clf.predict(X[2:3]))

3. 伯努利樸素貝葉斯 (BernoulliNB)

BernoulliNB實現了基于多元伯努利分布的數據的樸素貝葉斯訓練和分類算法

案例:

import numpy as np
X = np.random.randint(50, size=(1000, 100))
y = np.random.randint(6, size=(1000))
from sklearn.naive_bayes import BernoulliNB
clf = BernoulliNB()
clf.fit(X, Y)
print(clf.predict(X[2:3]))

4. 決策樹

決策樹作為十大經典算法之一，能夠很好的處理多分類問題。

決策樹的sklearn接口：

class sklearn.tree.DecisionTreeClassifier(criterion=’gini’, splitter=’best’, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, class_weight=None, presort=False)

看完了這篇文章，相信你對Python sklearn中算法的使用方法有了一定的了解，想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！