Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 27 vistas

    Iris Naiye Bayes

    Cargado por

    Erwin Wolf
    Este documento describe cómo utilizar un clasificador Naive Bayes Gaussiano para clasificar los datos de iris. Primero se dividen los datos en conjuntos de entrenamiento y prueba. Luego, se estandarizan los datos y se entrena el clasificador. Se realizan predicciones en los datos de prueba y se calcula la matriz de confusión para evaluar la precisión, la cual resulta ser de aproximadamente el 93%.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Iris Naiye Bayes

    Cargado por

    Erwin Wolf
    27 vistas4 páginas
    Este documento describe cómo utilizar un clasificador Naive Bayes Gaussiano para clasificar los datos de iris. Primero se dividen los datos en conjuntos de entrenamiento y prueba. Luego, se estandarizan los datos y se entrena el clasificador. Se realizan predicciones en los datos de prueba y se calcula la matriz de confusión para evaluar la precisión, la cual resulta ser de aproximadamente el 93%.

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe cómo utilizar un clasificador Naive Bayes Gaussiano para clasificar los datos de iris. Primero se dividen los datos en conjuntos de entrenamiento y prueba. Luego, se estandarizan los datos y se entrena el clasificador. Se realizan predicciones en los datos de prueba y se calcula la matriz de confusión para evaluar la precisión, la cual resulta ser de aproximadamente el 93%.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    27 vistas4 páginas

    Iris Naiye Bayes

    Cargado por

    Erwin Wolf
    Este documento describe cómo utilizar un clasificador Naive Bayes Gaussiano para clasificar los datos de iris. Primero se dividen los datos en conjuntos de entrenamiento y prueba. Luego, se estandarizan los datos y se entrena el clasificador. Se realizan predicciones en los datos de prueba y se calcula la matriz de confusión para evaluar la precisión, la cual resulta ser de aproximadamente el 93%.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 4

    Iris_Naiye_Bayes

    February 22, 2021

    1 Clasificación utilizando Naive Bayes


    [1]: # Importar librerias
    import numpy as np
    import matplotlib.pyplot as plt
    import matplotlib.image as mpimg
    import pandas as pd

    [2]: # Importar los datos


    dataset = pd.read_csv('iris.csv')

    [3]: #miramos los primeros 5 datos


    dataset.head()

    [3]: sepal_length sepal_width petal_length petal_width species


    0 5.1 3.5 1.4 0.2 setosa
    1 4.9 3.0 1.4 0.2 setosa
    2 4.7 3.2 1.3 0.2 setosa
    3 4.6 3.1 1.5 0.2 setosa
    4 5.0 3.6 1.4 0.2 setosa

    [3]: %matplotlib inline


    img=mpimg.imread('tipos_iris.jpg')
    plt.figure(figsize=(20,40))
    plt.axis('off')
    plt.imshow(img)

    [3]: <matplotlib.image.AxesImage at 0x7feec7e7c370>

    1
    Separamos el conjunto de datos en variables dependientes e independientes
    [4]: X = dataset.iloc[:,:4].values
    y = dataset['species'].values

    Separamos el conjunto de datos en un conjunto de entrenamiento y otro de prueba


    [5]: from sklearn.model_selection import train_test_split
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.20,␣
    ,→random_state = 82)

    Estandarizamos los datos para que se encuentren en la misma escala


    [6]: from sklearn.preprocessing import StandardScaler
    sc = StandardScaler()
    X_train = sc.fit_transform(X_train)
    X_test = sc.transform(X_test)

    Ajustamos el clasificador Naive Bayes a los datos de entrenamiento asumiendo Gaussianidad


    [7]: from sklearn.naive_bayes import GaussianNB
    nvclassifier = GaussianNB()
    nvclassifier.fit(X_train, y_train)

    [7]: GaussianNB()

    Predecimos los datos de prueba


    [8]: y_pred = nvclassifier.predict(X_test)
    print(y_pred)

    ['virginica' 'virginica' 'setosa' 'setosa' 'setosa' 'virginica'


    'versicolor' 'versicolor' 'versicolor' 'versicolor' 'versicolor'
    'virginica' 'setosa' 'setosa' 'setosa' 'setosa' 'virginica' 'versicolor'

    2
    'setosa' 'versicolor' 'setosa' 'virginica' 'setosa' 'virginica'
    'virginica' 'versicolor' 'virginica' 'setosa' 'virginica' 'versicolor']
    Veamos las verdaderas etiquetas y los valores que se predijeron.
    Los datos verdaderos están en la izquierda y los que se predijeron están en la derecha, luego
    imprimimos los primeros 5:
    [9]: y_compare = np.vstack((y_test,y_pred)).T
    y_compare[:5,:]

    [9]: array([['virginica', 'virginica'],


    ['virginica', 'virginica'],
    ['setosa', 'setosa'],
    ['setosa', 'setosa'],
    ['setosa', 'setosa']], dtype=object)

    Hacemos la matriz de confusión


    [10]: from sklearn.metrics import confusion_matrix
    cm = confusion_matrix(y_test, y_pred)
    print(cm)

    [[11 0 0]
    [ 0 8 1]
    [ 0 1 9]]
    Podemos encontrar la precisión desde la matriz de confusión
    [11]: a = cm.shape
    corrPred = 0
    falsePred = 0

    for row in range(a[0]):


    for c in range(a[1]):
    if row == c:
    corrPred +=cm[row,c]
    else:
    falsePred += cm[row,c]
    print('Predicciones correctas: ', corrPred)
    print('Predicciones falsas', falsePred)
    print ('\n\nPrecisión en la clasificación de tipo Naive Bayes Gaussiana: ',␣
    ,→corrPred/(cm.sum()))

    Predicciones correctas: 28
    Predicciones falsas 2

    Precisión en la clasificación de tipo Naive Bayes Gaussiana: 0.9333333333333333

    3
    [ ]:

    También podría gustarte