fit yöntemi
Coddy'nin Makine Öğrenmesine Giriş kursunda ders 13 / 19.
İşte Naive Bayes formülü:<strong>P(Class|Feature) = P(Feature|Class) * P(Class) / P(Feature)</strong>
Önceki derste <strong>P(Feature|Class)</strong> ve <strong>P(Class)</strong> değerlerini zaten hesaplamıştık.
Şimdi, matematiksel ilkelere dayanarak, P(Feature) değerini çıkararak hesaplamalarımızı basitleştirebiliriz. Örneğin, eğer 5 > 3 ise ve her iki tarafı 10'a bölersek (5/10 > 3/10 elde etmek için), eşitsizlik doğru kalmaya devam eder.
Bu nedenle, basitleştirilmiş formülümüz şu hale gelir: P(Class|Feature) = P(Feature|Class) * P(Class).
Aşağıdaki özniteliklere sahip yeni bir veri noktasını ele alalım:
| temperature | mood | motivation | windy |
| low | happy | high | yes |
play = yes olan tüm durumlar için hesaplama yapmak için şu formülü kullanın:
P(temperature=<strong>low</strong>|play=Yes) * P(mood= <strong>happy</strong>|play=Yes) * P(motivation= <strong>high</strong>|play=Yes) * P(windy=<strong>yes</strong>|play=Yes) * p(play=yes)
Tüm bu veriler probability_features ve probability_target değişkenlerimizde zaten kayıtlıdır:
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"]Şimdi aynı şeyi play = no için yapmamız gerekiyor.
Her iki olasılığı da elde ettikten sonra, hangisinin daha büyük olduğunu belirlemek için bunları karşılaştırırız.
Eğer p_yes değeri p_no değerinden büyükse, bu yeni veri noktasını yes olarak sınıflandırırız; aksi takdirde no olarak sınıflandırırız.
Görev
OrtaBu görevde, fit metodunu, olasılıkları önceki derste yaptığımız gibi self.probability_features ve self.probability_target içinde saklayacak şekilde tamamlayın.
y_train hedef değişkenimizdir ve X_train özelliklerden oluşan veri setimizdir.
Ayrıca, get_classes_probability metodunu tamamlayın. Bu metod, yeni bir veri noktası (daha önce verilen örneğe benzer şekilde) almalı ve hedef değişkenin her bir sınıfı için olasılıkları (p_yes ve p_no) döndürmelidir.
Çıktı şu formatta olmalıdır (hedef değişken y_train içindeki değerlere bağlı olarak):
classes_probabilities = {
"yes": 0.00,
"no": 0.00,
}Özellik adlarının ve öznitelik adlarının sabit olmadığını unutmayın. Her veri setinin farklı özellikleri ve farklı adları vardır.
Kendin dene
class NaiveBayes:
class __init__(self):
pass
def get_classes_probability(self, X):
# X tek bir satır içeren bir dataframe tutar
# fit metodunda kaydedilen self.classes yapısını kullanın
# kodunuzu aşağıya yazın
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
# Önceki dersteki kodunuzu kopyalayın
# probability_features ve probability_target değişkenlerine self. ekleyin
def predict(self, X_test):
passMakine Öğrenmesine Giriş bölümündeki tüm dersler
Kendi başına pratik yap: Online Python derleyicisi