利用上一节讲述的理论，本节将使用朴素贝叶斯实现糖尿病患病预测。本节使用的数据来源于美国国家糖尿病和消化肾脏疾病研究所，原始数据可从UCI数据库获取。这是机器学习领域一个被广泛研究的标准数据集，一般认为，关于这个数据集的预测算法如果能达到70%～76%的预测准确率就是一个较好的预测算法。本教材所用数据已经根据需要进行过适当地处理，可从教材配套的资源平台下载。

首先从本教材的资源平台下载该数据文件，并以文件名pima-indians.data.csv保存为csv文件。这是一个关于皮马族糖尿病患者的医疗检测数据（表4-1）。皮马族是美国印第安原住民的一个种族，由于基因缺陷，这个种族的糖尿病患病率很高，数据集描述了768个皮马印第安糖尿病患者的医疗观测细节，所有患者都是21岁以上（含21岁）的女性，所有的特征属性取值都是数值型，且各属性取值的度量单位是不同的。

表4-1

双击打开数据文件可以看到这是一个包含9个数据项的表格。其中Pregnancies代表怀孕次数；Glucose代表口服葡萄糖耐量试验中的葡萄糖浓度；Blood Pressure代表血压；Skin Thickness代表皮脂厚度；Insulin代表血清胰岛素含量；BMI代表体重指数；Diabetes Pedigree Function代表糖尿病系统功能；Age代表年龄；Outcome代表5年内是否患有糖尿病，1表示患病，0表示未患病。因此这可以对应到一个分类问题，输入数据是前8项检测数据，输出的分类结果是0或者1，表示该人未患病或者患病。

首先导入三个需要用到的Python库。csv是一种以逗号分隔存储数据的文件格式，csv模块可以很好地对这种格式的数据进行读取、存储和处理。random模块用于随机分割数据集，产生训练数据和测试数据。math模块用于计算数据的均值、标准差等数学结果时可以直接调用相应的计算函数。

In[1]：import csv，random，math

这里提到了训练数据和测试数据的概念，在上一章对决策树模型进行评价时也提到过这些概念，下面对它们做一个简单的说明。对于分类算法来说，训练完成后需要对训练结果的性能进行评价，如估计模型分类的准确率。为了估计准确率，需要在已知分类结果的数据集上对分类器进行测试，通过对比分类器给出的分类结果与真实的分类结果，可以方便地对准确率进行评估。所以在取得人工标注的数据集后，一种常用的处理方式是对其按一定的比例进行划分，其中一部分用来训练模型，叫作训练数据；另一部分用来进行模型的测试，叫作测试数据。

定义读取数据文件的函数load_csv_file。把数据文件中的每一行封装到一个list中，然后对数据进行处理，把数据转换成浮点型数据并返回data_set。

In[2]：def load_csv_file（filename）：

with open（filename）as f：

lines=csv.reader（f）

data_set=list（lines）

for i in range（len（data_set））：

data_set[i]=[float（x）for x in data_set[i]]

return data_set

把数据集分割成训练数据和测试数据，分割比例通过参数split_ratio确定，一般按“训练数据∶测试数据=2∶1”来分割。这里使用了random库进行随机划分，以保证用来训练和测试的数据尽量服从同样的分布。

In[3]：def split_data_set（data_set，split_ratio）：

train_size=int（len（data_set）*split_ratio）

train_set=[]

data_set_copy=list（data_set）

while len（train_set）best_prob：

best_label=class_val

best_prob=probability

return best_label

定义准确性评估函数，在测试数据上评估分类器的准确率。

In[9]：def get_predictions（summaries，test_set）：

predictions=[]

for i in range（len（test_set））：

result=predict（summaries，test_set[i]）

predictions.append（result）

return predictions

def get_accuracy（predictions，test_set）：

correct=0

for x in range（len（test_set））：

if test_set[x][-1]==predictions[x]：

correct +=1

return（correct/float（len（test_set）））*100.0

定义main函数，通过运行main函数，进行分类器的训练和在测试数据集上的准确率评估。

In[10]：def main（）：

filename='pima-indians.data.csv'

split_ratio=0.67

data_set=load_csv_file（filename）

train_set，test_set=split_data_set（data_set，spli

t_ratio）

print（'Split%s rows into train set=%s and test

set=%s rows'%（len（data_set），len（train_

set），len（test_set）））

summaries=summarize_by_class（train_set）

predictions=get_predictions（summaries，test_set）

accuracy=get_accuracy（predictions，test_set）

print（'Accuracy：%s'%accuracy

In[11]：main（）

最终可以看到，在测试集上，分类器的准确率大概是73%（图4-4）。

图4-4 准确率