В своем последнем посте я обсуждал основы наивного байесовского классификатора с использованием библиотеки Jax, а в этом посте я намерен внедрить алгоритм в проект машинного обучения, чтобы продемонстрировать, как он работает.
Я написал программу, используемую в этом проекте машинного обучения, на Python и Jax, используя Google Colab. Google Colab — это бесплатный онлайн-блокнот Jupyter, размещенный на сервере Google. Это отличная платформа для реализации проектов Python, но ее единственным недостатком является тот факт, что она не имеет достаточной функции отмены, поэтому необходимо соблюдать осторожность, чтобы случайно не перезаписать или удалить ценный код.
Когда был создан Jupyter Notebook, я импортировал библиотеки, которые мне понадобятся для выполнения программы, а именно:
- Джакс создал алгоритм Наивного Байеса,
- Научитесь использовать наборы данных игрушек, содержащиеся в библиотеке, а также разбивать набор данных и
- Сиборн для статистической визуализации данных.
Затем я определил ключ генератора псевдослучайных чисел Джакса как ключ.
Я также определил переменную метрику как «гауссову»:
Я использовал набор данных игрушек sklearn о раке молочной железы, чтобы продемонстрировать в проекте классификатор Наивного Байеса, поэтому загрузил его в программу:
Я использовал seaborn, чтобы визуализировать этикетку, и видно, что случаев рака молочной железы больше, чем нет:
Я использовал sklearn, чтобы разделить переменные X и y в наборе данных игрушки на обучающие и тестовые наборы:
