weka中朴素贝叶斯的实现

朴素贝叶斯在实际的应用中有着很大帮助，之所以是朴素贝叶斯是因为，训练数据的属性之间独立的这样是为了好计算类条件属性的概率。
朴素贝叶斯的公式如下：
P(C=c | X = x ) = (P(C=c)P(X=x | C=c))/(P(X=x))
其中X是属性，C为类属性。
朴素贝叶斯求得就是P（c|x）的后验概率。
这个等式的右侧，分子p（c）为所属类别的概率，它是先验概率，我们是可以通过所属类的个数占总样本的比例计算
分母P（X）是全概率公式，它是一个固定的值。
最终就是计算条件概率，所类条件下的属性的概率。
由于我们的属性之间是独立因此，P（Xi|Cj）= P（x1|cj）P（x2|cj）。。。P(xi|cj)概率的乘积。
如何分类呢？
加入二分类
是比较P（c1|x）和P（c2|x）之间的大小，谁的概率大，就是属性哪一类。
今天的样例是根据天气的各种属性是否决定出去玩
样本的数据库来自weka的weather.nominal.arrf 文件

@attribute outlook {sunny, overcast, rainy}
@attribute temperature {hot, mild, cool}
@attribute humidity {high, normal}
@attribute windy {TRUE, FALSE}
@attribute play {yes, no}
@data
sunny,hot,high,FALSE,no
sunny,hot,high,TRUE,no
overcast,hot,high,FALSE,yes
rainy,mild,high,FALSE,yes
rainy,cool,normal,FALSE,yes
rainy,cool,normal,TRUE,no
overcast,cool,normal,TRUE,yes
sunny,mild,high,FALSE,no
sunny,cool,normal,FALSE,yes
rainy,mild,normal,FALSE,yes
sunny,mild,normal,TRUE,yes
overcast,mild,high,TRUE,yes
overcast,hot,normal,FALSE,yes
rainy,mild,high,TRUE,no

这里面由于weka实现的NaiveBayesian的具体算法过程，我们只需要实例化，导入训练数据

//缺省的jar包
import java.io.File;
import weka.classifiers.Classifier;
import weka.classifier.Evaluation;
import weka.core.converters.ArffLoader;
public static void main(String[] argv) {
//        runClassifier(new NaiveBayes(), argv);
        Instances ins = null;
        Classifier cfs = null;

        try {
            // 读入训练测试样本
            File file = new File(
                    "D:\\weather.nominal.arff");

            ArffLoader loader = new ArffLoader();
            loader.setFile(file);
            ins = loader.getDataSet();
            ins.setClassIndex(ins.numAttributes() - 1);

            // 初始化分类器
            cfs = (Classifier) Class.forName(
                    "weka.classifiers.bayes.NaiveBayes").newInstance();

            // 使用训练样本进行分类
            cfs.buildClassifier(ins);

            // 使用测试样本测试分类器的学习效果
            Instance testInst;
            Evaluation testingEvaluation = new Evaluation(ins);
            int length = ins.numInstances();
            for (int i = 0; i < length; i++) {
                testInst = ins.instance(i);
                testingEvaluation.evaluateModelOnceAndRecordPrediction(cfs,
                        testInst);
            }

            // 打印分类结果
            System.out.println("分类的正确率" + (1 - testingEvaluation.errorRate()));
        } catch (Exception e) {
            e.printStackTrace();
        }

    }
    

需要导入weka的jar下载位置。
weka.jar

本文地址：https://blog.csdn.net/iamgoodboy11123/article/details/107594373