朴素贝叶斯评级

Question

假设我有一个包含以下数据的训练集：

Type  |  Size  |   Price  |  Rating  |  SUGGESTION
---------------------------------------------------
Shirt     M        Budget      0           Bad
Trouser   L        Budget      4.2         Good
Shirt     M        Expensive   2.3         Good
....etc....

在提供输入样本时，我们需要将SUGGESTION作为我们需要建议的类。意味着，当给出输入样本（与训练数据集不同）时，我们需要确定它是Good还是Bad。

能够根据从互联网上找到的示例了解概率计算：

数据集：

计算输入样本：

我的数据集中的疑问是，我有一个名为Rating的列。那么，对于那一列，我们也像其他列一样进行概率计算（如上面的截图所示）？或者我们需要考虑一个特定列的值的其他方式？说像平均值和标准偏差？

谢谢

Answer 1

列“大小”和“价格”代表分类数据（实际上，有序，但这是另一点）。虽然你可以将“评级”建模为分类值，但这可能是个坏主意，将数据建模为数字会更好。这就是原因。

将数据视为分类和数字的差异具有不同的价值。假设您有3个x：x=12，x=13，x=1344的观测值。那么问题是：概率P(x=12)，P(x=1344)和P(x=13)有多大差异？答案很大程度上取决于这些值所代表的数据类型。

例如，它x表示用户ID或什么排序不相关的东西，这些概率可以任意不同。但如果x表示支付率，那么显然12和13之间的差异与第三个值相比没那么大。

它还可以帮助您推断出有关数据的更多知识。例如，数据集中可能没有值4.9，但有4.8和5.0。然后你的模型在这两个模型之间进行“插值”，即使它没有在数据集中显示，也会给出4.9的概率。

所以，是的，您应该使用数值分布（例如Gaussian）来评估数据。我还建议做一些清理：显然，0表示“未评级”而不是“非常糟糕”，因此您可能想要告诉您的模型（例如，用平均评级替换0）。

Answer 2

关于如何处理评级栏的答案通常是答案：取决于。

我首先会尝试确定评级的数字真正代表什么。我希望评级为整数值，例如为电影评论分配一些星星。在这种情况下，小数值表明评级是其他的。检查测试数据应该告诉您这些数据是否已经是离散值，或者它们是否可能落在数字线的任何位置。例如，如果唯一的值是0,1.1,2.3,3.5,4.2和5.6，那么就像处理大小的S，M和L一样处理它们。

如果等级值真的是数字并且落在0到10之间的任何地方，你能否在网球示例中处理它们与温度类似。温度可以测量为数值，但已经映射到Hot，Cool等组。

如果分组不起作用，您可能需要进行一些数学计算并根据数据的分布计算概率。

最后，您可以尝试使用其他算法，例如K Nearest Nebour