método fit

Lição 13 de 19 do curso Introdução ao aprendizado de máquina da Coddy.

Aqui está a fórmula de Naive Bayes:
P(Class|Feature) = P(Feature|Class) * P(Class) / P(Feature)

Nós já calculamos P(Feature|Class) e P(Class) na lição anterior.

Agora, com base em princípios matemáticos, podemos simplificar nossos cálculos omitindo P(Feature). Por exemplo, se 5 > 3 e dividirmos ambos os lados por 10 (para obter 5/10 > 3/10), a desigualdade permanece verdadeira.

Portanto, nossa fórmula simplificada torna-se: P(Class|Feature) = P(Feature|Class) * P(Class).

Considere um novo ponto de dados com os seguintes atributos:

temperature	mood	motivation	windy
low	happy	high	yes

Para calcular para todas as instâncias onde play = yes, use a fórmula:

P(temperature=low|play=Yes) * P(mood= happy|play=Yes) * P(motivation= high|play=Yes) * P(windy=yes|play=Yes) * p(play=yes)

Todos esses dados já estão salvos em nossas variáveis probability_features e probability_target:

p_yes = probability_features["temperature"]["low"]["yes"] *
	probability_features["mood"]["happy"]["yes"] *
	probability_features["motivation"]["high"]["yes"] *
	probability_features["windy"]["yes"]["yes"] *
	probability_target["yes"]

Agora precisamos fazer a mesma coisa para play = no.

Após obter ambas as probabilidades, nós as comparamos para determinar a maior.

Se p_yes for maior que p_no, classificamos este novo ponto de dados como yes; caso contrário, o classificamos como no.

Desafio

Médio

Neste desafio, complete o método fit para que ele armazene as probabilidades em self.probability_features e self.probability_target, exatamente como fizemos na lição anterior.

y_train é a nossa variável alvo, e X_train é o nosso conjunto de dados de características (features).

Além disso, complete o método get_classes_probability. Este método deve receber um novo ponto de dados (semelhante ao exemplo fornecido anteriormente) e retornar as probabilidades para cada classe da variável alvo (o p_yes e p_no).
A saída deve estar no seguinte formato (dependendo dos valores na variável alvo y_train)

classes_probabilities = {
    "yes": 0.00,
    "no": 0.00, 
}

Tenha em mente que os nomes das características e os nomes dos atributos não são constantes. Cada conjunto de dados possui características diferentes e nomes diferentes.

Experimente você mesmo

class NaiveBayes:
    class __init__(self):
        pass
    
    def get_classes_probability(self, X):
        # X contém um dataframe com uma única linha
        # use self.classes que foi salvo no método fit
        # escreva seu código abaixo
        classes_probabilities = {}
        
        
        # --------------------------
        return classes_probabilities
    
    def fit(self, X_train, y_train):
        self.probability_features = {}
        self.probability_target = {}
        target_variable = "target"
        df = X_train.copy()
        df[target_variable] = y_train
        # Copie seu código da lição anterior
        # Adicione self. em probability_features e probability_target
        
    
    def predict(self, X_test):
        pass

Todas as lições de Introdução ao aprendizado de máquina

1O Início da Jornada em ML

Introdução a ML Dados para alimentar um modelo O que é um modelo de ML

4Algoritmo K-Means

Introdução ao K-Means método fit método predict

2Visão geral de Machine Learning

Aprendizado supervisionado Aprendizado não supervisionado

5Naive Bayes

Introdução ao Naive Bayesmétodo fitmétodo predict

3K-Vizinhos Mais Próximos (KNN)

Introdução ao KNN método fit método predict

6Outros Modelos

Regressão Logística Regressão Linear Árvore de Decisão Máquina de Vetores de Suporte (SVM)Questionário sobre Modelos

Pratique por conta própria: Compilador de Python online