Chinese, Simplified subtitles

← Gaussian NB Example - Intro to Machine Learning

Get Embed Code
6 Languages

Showing Revision 10 created 09/17/2016 by Udacity Robot.

  1. 现在我们已经来到了高斯朴素贝叶斯的文档页面
  2. 现在我们已经来到了高斯朴素贝叶斯的文档页面
  3. sklearn.naive_bayes.GaussianNB
  4. 这就是我要找的算法
  5. 我找到了 sklearn 文档页面
  6. 我在这里看到的最明显的内容 这也是我喜欢 SK Learn 文档的一个原因
  7. 就是有大量的实例
  8. 当我在编写用在这门课程里的代码时
  9. 我总是先找到样本代码
  10. 然后在我的 Python 解释器里运行一遍
  11. 看看能不能运行成功
  12. 几乎所有代码都能正常运行
  13. 这样事情就很简单了
  14. 只需要关注几行重要的代码就可以了
  15. 我先为你指出这些代码
  16. 然后我会向你展示之前给实例编写的代码
  17. 之后你就能识别这些代码了
  18. 我们先来介绍一下
  19. 第一行非常重要的代码就是这里
  20. 上面的代码只是用来生成一些可以利用的训练点而已
  21. 就没有那么重要了
  22. 这是重点的开始部分 就是这个 import 语句
  23. 如果你之前用过 Python 那你应该对 import 语句很熟悉
  24. 这个语句的作用是把外部模块引入你编写的代码里
  25. 所以你没有必要每次都完全重新实现所有代码
  26. 你可以使用他人编写好的代码
  27. 所以我们从 sklearn.naive_bayes 引入 GaussianNB 模块
  28. 很好
  29. 接下来 我们要利用这些内容
  30. 创建分类器
  31. 把 GaussianNB 赋值给 clf(分类器)
  32. 如果你缺少 import 语句
  33. 如果你忘了添加这行
  34. 那么运行时这一行就会报错
  35. 所以如果你看到某些错误显示无法识别这个函数
  36. 所以如果你看到某些错误显示无法识别这个函数
  37. 那么问题很可能就出在你的 import 语句上
  38. 我们创建好了分类器
  39. 代码也可以投入使用了
  40. 接下来要做的就是调整这些代码
  41. 我们已使用字词“fit”替换了“train”
  42. 这里是我们实际提供训练数据的地方
  43. 它会学习各种模式
  44. 然后就形成了我们刚刚创建的分类器
  45. 我们在分类器上调用 fit 函数 接下来将两个参数传递给 fit 函数
  46. 一个是特征 x 一个是标签 y
  47. 在监督分类中这个过程都是如此
  48. 即先调用此 fit 函数
  49. 然后依次获得特征
  50. 和标签
  51. 最后我们让已完成了训练的分类器
  52. 进行一些预测
  53. 我们为它提供一个新点
  54. 本示例中是 -0.8、-1
  55. 我们想知道的是 这个特定点的标签是什么?
  56. 它属于什么类?
  57. 在这个示例中 分类器将该点归在了 “1” 这个分类下
  58. 或者你可以设想一下 对于其他点分类器可能会将其归在 “2” 这个分类下
  59. 当然了 你必须先训练好分类器
  60. 才能调用分类器上的预测函数
  61. 因为使用数据训练的过程就是
  62. 它实际学习模式的过程
  63. 然后分类器能利用学得的模式来进行预测
  64. 这就是整个过程
  65. 现在你能知道我在这里做的大部分操作
  66. 都是为了让这些代码在第一个示例中运行