引言

使用威斯康星乳腺肿瘤数据，用高斯朴素贝叶斯进行建模。数据集包括569个兵力的数据样本，每个样本有30个特征值，样本分为两类：恶性（Malignant）和良性（Benign）。

建模

import numpy as np
from sklearn.datasets import load_breast_cancer #导入威斯康星乳腺肿瘤数据
from sklearn.naive_bayes import GaussianNB #高斯贝叶斯
from sklearn.model_selection import train_test_split #导入数据集拆分工具
from sklearn.model_selection import learning_curve #导入学习曲线库
from sklearn.model_selection import ShuffleSplit #导入随机拆分工具
import matplotlib.pyplot as plt

#载入数据
cancer = load_breast_cancer()

#将数据集的数值和分类目标赋值给 X 和 y
X, y = cancer.data, cancer.target

#拆分训练集和数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=38)

gnb = GaussianNB()
gnb.fit(X_train, y_train)

print('代码运行结果为：')
print('==========================')
print("训练数据得分：{:.2f}".format(gnb.score(X_train, y_train)))
print("测试数据得分：{:.2f}".format(gnb.score(X_test, y_test)))

#定义一个函数绘制学习曲线
def plot_learning_curve(estimator, title, X, y, ylim=None, cv=None, n_jobs=1, train_sizes=np.linspace(.1, 1.0, 5)):
    plt.figure()
    plt.title(title)
    if ylim is not None:
        plt.ylim(*ylim)
    plt.xlabel("Training examples")
    plt.ylabel("Score")
    train_sizes, train_scores, test_scores = learning_curve(
        estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_sizes)
    train_scores_mean = np.mean(train_scores, axis=1)
    test_scores_mean = np.mean(test_scores, axis=1)
    plt.grid()
    plt.plot(train_sizes, train_scores_mean, 'o-', color="r",
             label="Training score")
    plt.plot(train_sizes, test_scores_mean, 'o-', color="g",
             label="Cross-validation score")

    plt.legend(loc="lower right")
    return plt

title = "Learning Curves (Naive Bayes)"
#设定拆分数量
cv =ShuffleSplit(n_splits=100, test_size=0.2, random_state=0)
estimator = GaussianNB()

plot_learning_curve(estimator, title, X, y, ylim=(0.9, 1.01), cv=cv, n_jobs=4)

plt.show()

执行结果如下：

代码运行结果为：
==========================
训练数据得分：0.95
测试数据得分：0.94

从执行结果可以看出：
训练样本中，随着样本数量的增加，模型的得分逐渐降低，因为随着样本数量的增加，模型要拟合的数据增加，难度也加大。
模型的交叉验证得分并没有随着样本数的增加而有较大的变化，说明高斯朴素贝叶斯在预测方面，对于样本数量的要求并不苛刻。如果样本数量较少的话，可以考虑高斯朴素贝叶斯建模。

5.4Breast_cancer.png

总结

高斯朴素贝叶斯适合于任何连续性数值的数据集当中，如果时符合正态分布的数据集的话，模型的得分会更高。