패키지가 이용 방법이 KNN과 거의 비슷하다.
"""
Naive Bayes 알고리즘
Naive Bayes 분류기(Classifier)를 사용한 iris 품종 분류
"""
from sklearn import datasets
from sklearn.metrics import confusion_matrix, classification_report
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.preprocessing import StandardScaler
iris = datasets.load_iris()
print(type(iris))
# Bunch 클래스: {'data': [], 'target': []}으로 이루어진 dict와 비슷한 클래스
# data: 특성(변수)들. n차원 공간의 점(point)
# target: 레이블(분류 클래스)
# print(iris)
print('data shape:', iris.data.shape)
print('iris target:', iris.target_names)
print('iris features:', iris.feature_names)
X = iris.data # 데이터(특성, 변수)
print('type X:', type(X))
print(X[:5])
y = iris.target # 분류 클래스(레이블)
print('type y:', type(y))
print(y[:5])
X, y = datasets.load_iris(return_X_y=True)
# return_X_y=True: numpy.ndarray들의 튜플(data, target)을 리턴
# return_X_y=False(기본값): Bunch 클래스 타입을 리턴
# 데이터 세트를 학습(train)/검증(test) 세트로 나눔.
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 데이터들 변환(스케일링)
scaler = StandardScaler() # 생성자 호출 - 변환기 객체 생성
scaler.fit(X_train, y_train) # 학습 데이터의 평균과 표준 편차를 데이터 변환할 때 이용하기 위해서
X_train_transformed = scaler.transform(X_train) # 학습 데이터 세트 변환
X_test_transformed = scaler.transform(X_test) # 테스트 데이터 세트 변환
# 머신 러닝 모델 선택 - Naive Bayes
gnb = GaussianNB() # Gaussian Naive Bayes 모델 선택 - 연속형 자료
gnb.fit(X_train_transformed, y_train) # 모델 학습
y_pred = gnb.predict(X_test_transformed) # 예측
# 성능 측정
print(confusion_matrix(y_test, y_pred))
print(classification_report(y_test, y_pred))
