网站做百度收录的意义,html网页设计代码作业代码,怎么查有做网站的公司,wordpress 办公基于朴素贝叶斯分类器的钞票真伪识别模型
内容
本实验通过实现钞票真伪判别案例来展开学习朴素贝叶斯分类器的原理及应用。
本实验的主要技能点#xff1a;
1、 朴素贝叶斯分类器模型的构建
2、 模型的评估与预测
3、 分类概率的输出
源码下载
环境
操作系统#xf…基于朴素贝叶斯分类器的钞票真伪识别模型
内容
本实验通过实现钞票真伪判别案例来展开学习朴素贝叶斯分类器的原理及应用。
本实验的主要技能点
1、 朴素贝叶斯分类器模型的构建
2、 模型的评估与预测
3、 分类概率的输出
源码下载
环境
操作系统Windows10、Ubuntu18.04工具软件Anaconda3 2019、Python3.7硬件环境无特殊要求核心库 numpy 1.19.4 ipython 7.16.2 scikit-learn 0.24.2 pandas 1.1.5 mglearn 0.1.9
原理
1、数据集
钞票数据集包括1371行、5列前四列是钞票的四个光学图像指标即样本的特征最后一列是钞票的真伪0-真币1-假币即样本的标签。因为训练数据是有标签的因此本实验是监督学习中的一个分类问题。 本任务涉及以下几个环节
a加载、查看数据集
b获取样本的特征数组和标签数组
d将数据集拆分为训练集和测试集
e构建模型拟合数据、评估并做出预测
2、分割测训练集和测试集
sklearn.model_selection.train_test_split(train_data,train_target,test_size0.25, random_state0)在机器学习中我们通常将原始数据按照比例分割为“测试集”和“训练集”从 sklearn.model_selection 中调用train_test_split 函数 ,参数列表如下
train_data被划分的样本特征集train_target被划分的样本标签test_size如果是浮点数在0-1之间表示样本占比如果是整数的话就是样本的数量random_state是随机数的种子 若为None时每次生成的数据都是随机可能不一样若为整数时每次生成的数据都相同
步骤
打开notebook 开发环境新建ipynb文件命名为实验一基于朴素贝叶斯分类器的钞票真伪识别模型.ipynb保存在当前项目根目录下的code文件夹中。
步骤一 加载、查看数据集
我们使用pandas读取数据集文件增加列名。
from sklearn.naive_bayes import GaussianNB # 引入高斯朴素贝叶斯分类器
from sklearn.model_selection import train_test_split # 数据集拆分
from IPython.display import display # 显示import pandas as pd
import numpy as np# 读取钞票数据文件
banknote pd.read_csv(../dataset/banknote.csv)# 添加列名
banknote.columns[feature0, feature1,feature2,feature3,class]# 显示数据框
display(banknote)
显示结果 钞票的四个特征分别对应其光学图像检测参数 feature0-小波变换图像指标 feature1-小波偏斜变换图像指标 feature2-小波峰度变换图像指标 feature3-图像熵
共1371条数据4个特征列1个标签列。
步骤二 将数据集拆分为训练集和测试集
# 获得样本特征数组data前4列
data banknote.values[:,0:4]# 获得样本标签数组target(最后一列)
target banknote.values[:,-1]print(data.shape) # 查看样本特征数组形状
print(target.shape) # 查看样本标签数组形状# 数据集拆分辅助函数可以很快地将实验数据集划分为任何训练集training sets和测试集test sets。
X_train, X_test, y_train, y_test train_test_split(data, target, test_size0.25, random_state0)print(X_train.shape, X_test.shape) # 查看拆分结果
显示结果
(1371, 4)
(1371,)
(1028, 4) (343, 4)步骤三 创建模型评估并预测
# 创建贝叶斯分类器
model GaussianNB().fit(X_train, y_train) # 训练# 输出模型在训练集和测试集上的准确率
train_score model.score(X_train, y_train) # 得分
test_score model.score(X_test, y_test)
print(train_score, test_score)# 在测试集上预测钞票真伪
num 10 # 显示的样本数量
y_pred model.predict(X_test) # 预测
print(y_pred:, y_pred[:num]) # 预测结果
print(y_true:, y_test[:num]) # 实际结果
y_proba model.predict_proba(X_test[:num]) # 预测结果的概率每个样本为真钞和假钞的概率
print(np.around(y_proba, decimals3))
输出结果
0.8424124513618677 0.8542274052478134
# 预测结果0-真币1-假币
y_pred: [0. 0. 1. 0. 0. 0. 0. 0. 1. 1.]
y_true: [1. 0. 1. 0. 0. 0. 0. 0. 1. 1.]
# 预测结果个概率
[[0.588 0.412][0.998 0.002][0. 1. ][0.998 0.002][0.998 0.002][0.953 0.047][0.681 0.319][0.994 0.006][0. 1. ][0.054 0.946]] 贝叶斯分类器除可以输出预测结果外还可以输出样本属于每个类别的可能性概率可以通过predict_proba方法来输出。
