介绍
小编给大家分享一下Python sklearn中算法的使用方法,希望大家阅读完这篇文章后大所收获、下面让我们一起去探讨吧!
<强> (GaussianNB) 强> <强> 强>
sklearn来实现GaussianNB
得到sklearn import 数据集 时间=iris datasets.load_iris () 得到sklearn.naive_bayes import  GaussianNB 时间=gnb GaussianNB () 时间=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 ()))
<强> (MultinomialNB/MNB) 强> <强> 强>
MultinomialNB算法来学习。
import numpy as np 时间=X np.random.randint(50,大?(1000,,100)) 时间=y np.random.randint(6,大?(1000)) 得到sklearn.naive_bayes import  MultinomialNB 时间=clf MultinomialNB () clf.fit (X, y) print (clf.predict (X [2:3]))
<强> (BernoulliNB) 强> <强> 强>
<强>:强> <强> 强>
import numpy as np 时间=X np.random.randint(50,大?(1000,,100)) 时间=y np.random.randint(6,大?(1000)) 得到sklearn.naive_bayes import  BernoulliNB 时间=clf BernoulliNB () clf.fit (X, Y) print (clf.predict (X [2:3]))
<强> 强>
sklearn接口:
class sklearn.tree.DecisionTreeClassifier(标准=盎帷?指叉球=詈玫摹?,max_depth=没有,min_samples_split=2,, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=没有,random_state=没有,max_leaf_nodes=没有,min_impurity_decrease=0.0, min_impurity_split=没有,class_weight=没有,预分类=false)
看完了这篇文章,相信你对Python sklearn中算法的使用方法有了一定的了解,想了解更多相关知识,欢迎关注行业资讯频道,感谢各位的阅读!