如何使用 str 特征在 Python Pandas 中训练朴素贝叶斯

Question

我有一个蘑菇数据集，有 8124 行和 23 列。第一列称为“类”，有两种类型的值：“p”（毒药）和“e”（可食用）。我想使用前 6000 行训练朴素贝叶斯。但我不知道如何使用分类特征来做到这一点。我的数据集中的所有元素都有 str 类型。

import pandas as pd
from sklearn.naive_bayes import GaussianNB

df = pd.read_csv('/home/mot/PythonFiles/Mushrooms/mushrooms.csv', delimiter=',')
df_train = df.loc[:6000]
df_test = df.loc[6000:]

df_train_values = df_train.loc[:, 'cap-shape'::]
df_train_answers = df_train['class']

df_test_values = df_test.loc[:, 'cap-shape'::]
df_test_answers = df_test['class']

clf = GaussianNB()
clf.fit(df_test_values, df_test_answers)

这就是我得到的：ValueError: could not convert string to float: 'p'

Answer 1

实际上，朴素贝叶斯是围绕 P(class|feature) 的思想展开的。因此，如果您有 2 个您提到的类（毒|可食用），那么您想要的朴素贝叶斯概率是：

P(edible|features) = P(edible) * P(cap_shape|edible)/(normalizing_constant)

P(poison|features) = P(poison) * P(cap_shape|poison)/(normalizing_constant)

一般来说，如果你有更多的功能，你会这样做：

P(class_1|features) = P(class_1) * P(feature_1|class_1) * P(feature_2|class_1) * ... * P(feature_n|class_1) . . . P(class_m|features) = P(class_m) * P(feature_1|class_m) * P(feature_2|class_m) * ... * P(feature_n|class_m)

这是朴素贝叶斯的一般方法。可以根据比例从您的训练数据中估计概率，即给定 class_m，在 class_m 中看到 feature_1 的比例。

如果您想知道我为什么不添加除数（归一化常数），那是因为它就是这样 - 一个归一化常数。然而，由于这个原因，需要注意的一点是，由于我们处理的是比例（数字