sklearn：朴素贝叶斯分类器的准确性低

Question

我有一个数据集，其中包含 200000 个标记的训练示例。 对于每个训练示例，我有 10 个特征，包括连续的和离散的。 我正在尝试使用sklearn python 包来训练模型并进行预测，但我遇到了一些麻烦（还有一些问题）。

首先让我写一下我到目前为止写的代码：

from sklearn.naive_bayes import GaussianNB
# data contains the 200 000 examples
# targets contain the corresponding labels for each training example
gnb = GaussianNB()
gnb.fit(data, targets)
predicted = gnb.predict(data)

问题是我的准确率非常低（错误分类的标签太多）——大约 20%。 但是，我不太确定数据（例如需要更多数据或其他）或代码是否存在问题。

在给定具有离散和连续特征的数据集的情况下，这是实现朴素贝叶斯分类器的正确方法吗？

此外，在机器学习中，我们知道数据集应该分为训练集和验证/测试集。这是由sklearn 自动执行的，还是我应该使用训练数据集fit 模型，然后使用验证集调用predict？

任何想法或建议将不胜感激。

Answer 1

问题是我的准确率非常低（错误分类的标签太多）——大约 20%。但是我不太确定数据（例如需要更多数据或其他）或代码是否存在问题。

对于朴素贝叶斯来说这不是大错误，这是一个非常简单的分类器，你不应该期望它很强大，更多的数据可能无济于事。您的高斯估计器可能已经非常好，只是简单的假设是问题所在。使用更强的模型。您可以从 Random Forest 开始，因为即使非该领域的专家也很容易使用它。

在给定具有离散和连续特征的数据集的情况下，这是实现朴素贝叶斯分类器的正确方法吗？

不，不是，您应该在离散特征中使用不同的分布，但是 scikit-learn 不支持，您必须手动执行此操作。如前所述 - 更改您的模型。

此外，在机器学习中，我们知道数据集应该分为训练集和验证/测试集。这是由 sklearn 自动执行的，还是我应该使用训练数据集拟合模型，然后使用验证集调用 predict？

这种方式不会自动完成，您需要自己完成（scikit learn 有很多工具可以做到这一点 - 请参阅交叉验证包）。