NB樸素貝葉斯算法
貝葉斯分類器是一類分類算法的總稱，這類算法皆以貝葉斯定理為基礎(chǔ)，因此統(tǒng)稱為貝葉斯分類器。
原理：通過某對象的先驗概率，利用貝葉斯公式計算出其后驗概率，即該對象屬于某一類的概率，選擇具有最大后驗概率的類作為該對象所屬的類。

#調(diào)用MultinomialNB分類器 from sklearn.naive_bayes import MultinomialNB clf = MultinomialNB().fit(x_train, y_train)

決策樹
決策樹算法簡單來說就是帶有判斷規(guī)則（if-then）的一種樹，可以依據(jù)樹中的決策規(guī)則來預測未知樣本的類別或數(shù)值（分類和回歸）。其核心是對數(shù)據(jù)進行一個一個特征的篩選和處理，并且對特征閾值實現(xiàn)非線性分割，根據(jù)得出的抉擇結(jié)果依次建立樹模型。其主要優(yōu)點是樹形模型更接近人的思維方式，分類速度快，易于理解，可產(chǎn)生可視化、可解釋的的分類規(guī)則。

from sklearn.tree import DecisionTreeClassifier clf = DecisionTreeClassifier(max_depth = 2, random_state = 0)

SVM
支持向量機

from sklearn import svm clf=svm.SVC(kernel='linear') clf.fit(X,Y)

KNNK近鄰分類模型

from sklearn.neighbors import KNeighborsClassifier as knn clf = knn(n_neighbors=10) clf.fit(x_train,y_train)

LR邏輯回歸算法

from sklearn.linear_model import LogisticRegression clf = LogisticRegression(class_weight='balanced') clf.fit(X_train,y_train)

MLP多層神經(jīng)網(wǎng)絡(luò)

from sklearn.datasets import load_iris #導入鳶尾花數(shù)據(jù)集方法 from sklearn.neural_network import MLPClassifier as MLP#導入神經(jīng)網(wǎng)絡(luò)包 from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(iris['data'], iris['target'],random_state=1) mlp = MLP(solver='lbfgs', random_state=1, hidden_layer_sizes=[10], max_iter=1000) mlp.fit(X_train, y_train) mlp.score(X_train, y_train))) mlp.score(X_test, y_test)))

深度學習

集成學習分類模型

總結(jié)

以上是生活随笔為你收集整理的数据分类模型的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。