RapidMiner介绍与实践（二）贝叶斯分类器

前言

上一篇简要介绍了关于RapidMiner的简要介绍以及预测分析中决策树的小小实践。这次也是利用同样的数据集实现预测分析，最终看看预测效果如何。

朴素贝叶斯

原理

获取更多与结果Y相关的因素X信息。依本人理解，就是通过对目前已有条件X的理解分析（根据概率），来判断结果Y。

Step

1. 计算各结果先验概率P(Y)
2. 计算P(Xi|Y)，即发生某结果前提下，因素（属性）为某数值的概率。
3. 对每个结果都计算P(X|Yj)P(Yj)
4. 选择P(X|Yj)P(Yj)值最大的结果为预测结果

我们根据上一篇中数据集Golf中数据理解。

1. 计算先验概率P(Yes)和P(No) 。
2. 以outlook举例，计算P(overcast|Yes)，P(rain|Yes)，P(sunny|Yes)。计算P(overcast|No)，P(rain|No)，P(sunny|No)。同其他属性。
3. 以outlook举例，计算P(Yes)P(overcast|Yes)P(rain|Yes)P(sunny|Yes)和P(No)P(overcast|No)P(rain|No)P(sunny|No)。同其他属性。
4. 选择步骤3中最大的结果为预测结果。

RapidMiner实现贝叶斯分类器预测

数据：Sample中data>Golf和Golf-testset
按照下图中在operator窗口搜索相关算子，构建流程。

注意：一定要勾选参数Laplace correction。为防止出现零时相乘结果为零的情况出现。

实验结果：

预测效果，也不是很好啊哈哈哈，数据集有限啊。

下篇预告：RapidMiner介绍与实践（三）K-means算法
下一篇会简要介绍下如何利用K-means算法区分经典鸢尾花数据集iris dataset。
如有任何问题，欢迎共同交流~