我有一个包含200000个标记的训练样例的数据集。
对于每个训练示例，我有10个功能，包括连续和离散。
我试图使用sklearn python包来训练模型并做出预测，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编写的代码：
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)
问题在于我的准确度非常低（错误分类标签太多） - 大约20％。 但是我不太确定数据是否存在问题（例如需要更多数据或其他内容）或代码。
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和验证/测试集。这是由sklearn自动执行还是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。
答案 0 :(得分：5)
问题在于我的准确度非常低（错误分类标签太多） - 大约20％。但是我不太确定数据是否存在问题（例如需要更多数据或其他内容）或代码是否存在问题。
对于朴素贝叶斯来说，这不是一个大错误，这是一个非常简单的分类器，你不应该期望它很强大，更多的数据可能不会有帮助。您的高斯估计可能已经非常好，简单的天真假设就是问题所在。使用更强的模型。您可以从随机森林开始，因为即使是非现场专家也很容易使用。
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，您应该在离散功能中使用不同的分布，但是scikit-learn不支持，您必须手动执行此操作。如前所述 - 改变你的模型。
此外，在机器学习中，我们知道数据集应该分为训练和验证/测试集。这是由sklearn自动执行还是应该使用训练数据集拟合模型，然后使用验证集调用预测？
没有什么是以这种方式自动完成的，你需要自己做这些（scikit learn有很多工具 - 请参阅交叉验证pacakges）。