https://github.com/ki3mono/naive_bayes_classifier

This project implements Naive Bayes Classifiers for two data types: Multinomial Naive Bayes Classifier and Gaussian Naive Bayes Classifier
https://github.com/ki3mono/naive_bayes_classifier

iris-dataset mushroom-dataset naive-bayes-classifier numpy python scikit-learn

Last synced: 6 days ago
JSON representation

This project implements Naive Bayes Classifiers for two data types: Multinomial Naive Bayes Classifier and Gaussian Naive Bayes Classifier

• Host: GitHub
• URL: https://github.com/ki3mono/naive_bayes_classifier
• Owner: Ki3mONo
• Created: 2025-01-07T00:50:34.000Z (24 days ago)
• Default Branch: master
• Last Pushed: 2025-01-22T03:32:57.000Z (9 days ago)
• Last Synced: 2025-01-22T04:24:18.831Z (9 days ago)
• Topics: iris-dataset, mushroom-dataset, naive-bayes-classifier, numpy, python, scikit-learn
• Language: Python
• Homepage:
• Size: 1.54 MB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

        
# Naive Bayes Classifier

## Opis projektu

Projekt implementuje Naiwne Klasyfikatory Bayesowskie dla dwóch typów danych:

1. **Dane kategoryczne** – implementacja klasyfikatora **Multinomial Naive Bayes Classifier**.

2. **Dane ilościowe** – implementacja klasyfikatora **Gaussian Naive Bayes Classifier**.

Projekt testowano na rzeczywistych zbiorach danych, takich jak zbiór Iris dostępny w bibliotece scikit-learn i zbiór Mushroom dostępny na platformie Kaggle (katalog /data).

---

## Klasyfikatory

### 1. Multinomial Naive Bayes Classifier

- Przeznaczony dla danych kategorycznych.

- Oblicza prawdopodobieństwo na podstawie liczby wystąpień wartości cech dla każdej klasy.

- Zakłada warunkową niezależność cech.

### 2. Gaussian Naive Bayes Classifier

- Przeznaczony dla danych ilościowych.

- Opiera się na rozkładzie normalnym, obliczając prawdopodobieństwa na podstawie średniej i odchylenia standardowego cech.

---

## Struktura projektu

1. **Implementacja klasyfikatorów: /src**

   - `MultinomialNaiveBayesClassifier` – dla danych kategorycznych.

   - `GaussianNaiveBayesClassifier` – dla danych ilościowych.

   - `NaiveBayesClassifier` – abstrakcyjna klasa nadrzędna dla naiwnego klasyfikatora bayesowskiego.

2. **Wstępna analiza danych: /data_analysis**

   - Wizualizacja danych.

   - Wybór cech, które najlepiej odróżniają klasy w zbiorze danych.

3. **Ewaluacja: /accuracy_notebooks**

   - Podział danych na zbiory treningowe i testowe.

   - Obliczanie dokładności poszczególnych klasyfikatorów w notebookach `Mushrooms_accuracy.ipynb` i `Iris_Accuracy.ipynb`.

---

## Technologie

- **Python** – główny język programowania.

- **Biblioteki:**

  - `numpy` – obliczenia matematyczne.

  - `pandas` – manipulacja danymi.

  - `scikit-learn` – wczytywanie zbiorów danych i podział na zbiory treningowe/testowe.

---

## Autorzy

- **Maciej Kmąk**

- **Jakub Gucwa**

Projekt został zrealizowany w ramach przedmiotu **Rachunek prawdopodobieństwa i statystyka**, prowadzonego na II roku studiów na kierunku **Informatyka** na **Wydziale Informatyki Akademii Górniczo-Hutniczej**.