文章目錄

• 前面實現(xiàn)的樸素貝葉斯分類器，決策函數(shù)是非向量化的：
• 借助于numpy向量化處理，相當(dāng)于并行計算，注意mask使用技巧，用途較廣：

前面實現(xiàn)的樸素貝葉斯分類器，決策函數(shù)是非向量化的：

前面提到過大數(shù)據(jù)處理，盡量避免個人的遍歷等一些函數(shù)的操作，要借助numpy的強大功能，如下預(yù)測函數(shù)是按照我們平常習(xí)慣寫的，先處理一個數(shù)據(jù)，處理多個數(shù)據(jù)，就是重復(fù)調(diào)用單個處理函數(shù)。

# ============================================================================= # 模型的評估和預(yù)測 # ============================================================================= # 定義預(yù)測單一樣本的函數(shù) # 參數(shù)get_raw_result為控制函數(shù)是輸出類別（False)還是輸出后驗概率(True)def predict_one(self,x,get_raw_result=False):# 將輸入的數(shù)據(jù)數(shù)值化，如果是numpy數(shù)組，轉(zhuǎn)化成python的list# 這時因為python在數(shù)值化這個操作上list比較快if isinstance(x,np.ndarray):x = x.tolist()else:x = x[:]# 調(diào)用相關(guān)方法數(shù)值化，該方法具體的模型不同而不同x = self._transfer_x(x)# 類別和該類別的后驗概率，存的是當(dāng)前最大的m_arg,m_probability = 0,0# 遍歷各個類別找到最大的后驗概率的類別for i in range(len(self._cat_counter)):# 決策函數(shù)p = self._func(x,i)if p > m_probability:m_arg,m_probability = i, pif not get_raw_result:return self.label_dic[m_arg]return m_probability# 預(yù)測多個樣本，就是重復(fù)調(diào)用一個樣本def predict(self,x,get_raw_result=False):return np.array([self.predict_one(xx,get_raw_result) for xx in x])# ============================================================================= # # 利用self._data生成決策函數(shù) # =============================================================================def func(input_x,tar_category):rs =1# 遍歷各個緯度，利用data和條件獨立假設(shè)計算聯(lián)合條件概率# d,xx:feature,featureValuefor d,xx in enumerate(input_x):rs *= data[d][tar_category][xx]# 利用先驗概率和聯(lián)合條件概率計算后驗概率return rs*p_category[tar_category]

借助于numpy向量化處理，相當(dāng)于并行計算，注意mask使用技巧，用途較廣：

# ============================================================================= # 前面處理的方式為一個一個處理，現(xiàn)在使用向量化的方式 # =============================================================================def predict_vector(self,x,get_raw_result=False):# 將輸入的數(shù)據(jù)數(shù)值化，如果是numpy數(shù)組，轉(zhuǎn)化成python的list# 這時因為python在數(shù)值化這個操作上list比較快if isinstance(x,np.ndarray):x = x.tolist()else:x = x[:]# 調(diào)用相關(guān)方法數(shù)值化，該方法具體的模型不同而不同x = self._transfer_x(x)# 類別和該類別的后驗概率，存的是當(dāng)前最大的，現(xiàn)在是向量了，長度為x的長度m_arg,m_probability = np.zeros(len(x)),np.zeros(len(x))# 遍歷各個類別找到最大的后驗概率的類別for i in range(len(self._cat_counter)):# 決策函數(shù),這里應(yīng)該是返回的是向量，len(x)數(shù)據(jù)的后驗概率p = self._func(x,i)# 這里類似于前面的labels = [y == value for value in range(len(cat_counter))]# 把滿足條件的矩陣mask出倆了_mask = p > m_probabilitym_arg[_mask],m_probability[_mask] = i, p[_mask]if not get_raw_result:return np.array([self.label_dic[arg] for arg in m_arg])return m_probability # ============================================================================= # 決策函數(shù)向量化處理 # =============================================================================def func_vector(input_x,tar_category):# 將輸入數(shù)據(jù)為[N個數(shù)據(jù)，n個屬性]，我們需要向量化處理，向量是一行一行處理的# 我們一次處理N個數(shù)據(jù)的一個屬性，需要轉(zhuǎn)置數(shù)據(jù)# 為了操作，先轉(zhuǎn)化為numpyinput_x = np.atleast_2d(input_x).T# rs就是后驗概率，大小應(yīng)該為數(shù)據(jù)N，初始值為1rs =np.ones(input_x.shape[1])# 遍歷各個緯度，利用data和條件獨立假設(shè)計算聯(lián)合條件概率# d,xx:feature,featureValuefor d,xx in enumerate(input_x):# 這里代碼沒有改變，但是都是向量的操作，[xx]是不是很奇怪，xx是一個# 向量，numpy支持對向量的操作rs *= self._data[d][tar_category][xx]# 利用先驗概率和聯(lián)合條件概率計算后驗概率return rs*p_category[tar_category]

總結(jié)

以上是生活随笔為你收集整理的机器学习：朴素贝叶斯分类器，决策函数向量化处理，mask使用技巧的全部內(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。