数学建模学习（69）：朴素贝叶斯回归分类，轻松掌握

假设你是产品经理，你想将客户评论分为正面和负面类别。或者作为贷款经理，你想确定哪些贷款申请人是安全的还是有风险的？作为医疗保健分析师，你希望预测哪些患者可能患有糖尿病。所有示例都存在对评论、贷款申请人和患者进行分类的相同问题。

朴素贝叶斯是最直接、最快速的分类算法，适用于大量数据。朴素贝叶斯分类器成功地用于各种应用，例如垃圾邮件过滤、文本分类、情感分析和推荐系统。它使用贝叶斯概率定理来预测未知类。

本篇文章依然以葡萄酒的数据分类为例子，数据与前两篇相同，如需数据，请看前两篇。

一、模块与数据导入

from xgboost import XGBClassifier
from sklearn.model_selection import train_test_split
import pandas as pd

df=pd.read_csv('wine.csv')


  

 

  
1
  
2
  
3
  
4
  
5
  
6
 

文章来源: chuanchuan.blog.csdn.net，作者：川川菜鸟，版权归原作者所有，如需转载，请联系作者。

原文链接：chuanchuan.blog.csdn.net/article/details/124831287