《数据挖掘与机器学习》 课件6.1.1 朴素贝叶斯.pptx

构建运输车辆安全驾驶行为分析模型运输车辆安全驾驶行为分析——朴素贝叶斯、K近邻

任务描述朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。对于运输企业来说，安全意识和责任感的重要性不言而喻，这是是企业长期发展和稳定运营的必要因素。构建运输车辆安全驾驶行为分析模型能帮助企业更好地管理和监控运输车辆的安全性能。在本任务中将使用高斯朴素贝叶斯和多项式分布朴素贝叶斯构建运输车辆安全驾驶行为分析模型，探索、分析各车辆的驾驶行为。构建运输车辆安全驾驶行为分析模型

任务要求读取并探索驾驶行为数据。处理驾驶行为数据。使用sklearn库构建朴素贝叶斯模型。利用Matplotlib库对预测结果进行可视化展示。使用准确率、精确率、召回率、F1得分评估朴素贝叶斯模型。构建运输车辆安全驾驶行为分析模型运用Python构建运输车辆安全驾驶行为分析模型需调用不同的库

高斯朴素贝叶斯多项式分布朴素贝叶斯

朴素贝叶斯基本概念什么是朴素贝叶斯?构建运输车辆安全驾驶行为分析模型朴素贝叶斯是分类器中最常用的一种生成式模型，其基于贝叶斯定理将联合概率转化为条件概率，利用特征条件及独立假设简化条件的概率进行计算。

朴素贝叶斯基本概念朴素贝叶斯算法流程构建运输车辆安全驾驶行为分析模型计算先验概率，如果已经给出先验概率，那么利用给出的先验概率。分别计算第k个类别的第i维特征的第i个取值的条件概率。按照分类维度计算：分类概率×每个特征概率。确定待分类项所属的类别。

高斯朴素贝叶斯高斯朴素贝叶斯主要处理连续型变量的数据，它的模型是假设每一个维度都符合高斯分布。使用sklearn库中naive_bayes模块的GaussianNB类可以构建高斯朴素贝叶斯模型，其语法格式如下。构建运输车辆安全驾驶行为分析模型参数名称说明priors接收array。表示先验概率大小，若没有给定，则模型根据样本数据计算（利用极大似然法）。默认为None。sklearn.naive_bayes.GaussianNB(priors=None)GaussianNB类常用的参数及其说明如下：

朴素贝叶斯例题为了响应共同富裕的主题，以帮助当地居民提高收入水平，某地基层组织决定进行人口普查，以便更好地了解当地居民的收入情况。现有某地的人口普查收入数据，数据描述如下。构建运输车辆安全驾驶行为分析模型性别当地居民性别，取值为0、1。其中，0代表女性，1代表男性年龄当地居民年龄，取值为其自身年龄婚姻情况当地居民婚姻情况，取值为0-3。其中，0代表已婚，1代表离异，2代表未婚，3代表丧偶家庭角色当地居民在家庭中所扮演的角色，取值为0-5。其中，0代表妻子，1代表丈夫，2代表未婚，3代表离家，4代表孩子，5代表其他关系受教育程度当地居民所接受的教育程度，取值为0-8。其中，0代表初中，1代表中专，2代表高中，3代表职业学校，4代表大专，5代表大学未毕业，6代表学士，7代表硕士，8代表博士特征名称特征说明

工作类型当地居民的工作类型，取值为0-5。其中，0代表私人，1代表自由职业非公司，2代表自由职业公司，3代表政府，4代表无薪，5代表无工作经验每周工作时长（h）当地居民的每周工作时长，取值为其每周工作的小时数职业当地居民的职业，取值为0-13。其中，0代表技术支持，1代表手工艺维修，2代表销售，3代表执行主管，4代表专业技术，5代表劳工保洁，6代表机械操作，7代表管理文书，8代表农业捕捞，9代表运输，10代表家政服务，11代表保安，12代表军人，13代表其他职业收入等级当地居民所属收入等级类别，取值为0、1。其中，0代表收入小于等于5万每年，1代表收入大于5万每年朴素贝叶斯例题为了响应共同富裕的主题，以帮助当地居民提高收入水平，某地基层组织决定进行人口普查，以便更好地了解当地居民的收入情况。现有某地的人口普查收入数据，数据描述如下。构建运输车辆安全驾驶行为分析模型特征名称特征说明

例题分析构建运输车辆安全驾驶行为分析模型导入库读取csv文件把特征集和标签集分开划分训练集和测试集创建高斯朴素贝叶斯分类器训练模型预测测试集标签输出用高斯朴素贝叶斯构建人口普查收入分类模型主要由以下8个步骤实现。

多项式分布朴素贝叶斯多项式分布朴素贝叶斯主要用于离散特征分类。使用sklearn库中naive_bayes模块的MultinomialNB类可以实现多项式分布朴素贝叶斯分类，其语法格式如下。MultinomialNB类常用的参数及其说明如下。构建运输车辆安全驾驶行为分析模型参数名称说明alpha接收float。表示添加拉普拉斯平滑参数，可选项。默认1.0fit_prior接收bool。表示是否学习先验概率，可选项。默认Trueclass_prior接收floatarray。表示类先验概率。默认为Noneskle