Aplicación Práctica de Naive Bayes en Aprendizaje Supervisado

 Título: Aplicación Práctica de Naive Bayes en Aprendizaje Supervisado

Introducción:

En este blog, exploraremos la aplicación práctica del algoritmo Naive Bayes, una herramienta valiosa en aprendizaje supervisado. Conocido por su simplicidad y eficacia, Naive Bayes es comúnmente utilizado en problemas de clasificación. Aprenderemos cómo implementar este algoritmo utilizando Python y la biblioteca scikit-learn.

Paso 1: Carga y Exploración de Datos:

Comencemos cargando un conjunto de datos relevante para nuestro problema de clasificación. Por ejemplo, podríamos tener datos de correos electrónicos clasificados como spam o no spam. Exploraremos la estructura de los datos y sus características clave.

import pandas as pd # Cargar datos (sustituye 'datos_clasificacion.csv' con tu conjunto de datos) data = pd.read_csv('datos_clasificacion.csv') print(data.head())

Paso 2: Preprocesamiento de Datos:

Prepararemos los datos dividiéndolos en características (X) y etiquetas (y). Luego, dividiremos el conjunto de datos en conjuntos de entrenamiento y prueba.

from sklearn.model_selection import train_test_split X = data.drop('Etiqueta', axis=1) y = data['Etiqueta'] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

Paso 3: Creación y Entrenamiento del Modelo Naive Bayes:

Con los datos listos, construiremos y entrenaremos nuestro modelo Naive Bayes.

from sklearn.naive_bayes import GaussianNB modelo_nb = GaussianNB() modelo_nb.fit(X_train, y_train)

Paso 4: Evaluación del Modelo:

Realizaremos predicciones en nuestro conjunto de prueba y evaluaremos la precisión del modelo.

from sklearn import metrics y_pred = modelo_nb.predict(X_test) precision = metrics.accuracy_score(y_test, y_pred) print(f"Precisión del modelo Naive Bayes: {precision}")

Paso 5: Interpretación de Resultados:

Naive Bayes proporciona probabilidades de pertenencia a cada clase. Exploraremos cómo interpretar estas probabilidades y cómo ajustar el umbral de decisión según las necesidades del problema.

probabilidades_clases = modelo_nb.predict_proba(X_test) print("Probabilidades de Pertenencia a Clases:") print(probabilidades_clases[:5]) # Mostrar las primeras 5 filas

interactuando con google colab se obtuvieron estos datos

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

# Configuración para reproducibilidad

np.random.seed(42)

# Crear datos ficticios de salud

data = pd.DataFrame({

    'PresionArterial': np.random.normal(120, 10, 200),

    'NivelGlucosa': np.random.normal(90, 5, 200),

    'TieneCondicion': np.random.choice([0, 1], size=200, p=[0.8, 0.2])

})

plt.scatter(data['PresionArterial'], data['NivelGlucosa'], c=data['TieneCondicion'], cmap='viridis')

plt.title('Datos Ficticios de Salud')

plt.xlabel('PresionArterial')

plt.ylabel('NivelGlucosa')

plt.show()

from sklearn.model_selection import train_test_split

X = data[['PresionArterial', 'NivelGlucosa']]

y = data['TieneCondicion']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

from sklearn.naive_bayes import GaussianNB

modelo_nb = GaussianNB()

modelo_nb.fit(X_train, y_train)

GaussianNB

GaussianNB()

from sklearn import metrics

y_pred = modelo_nb.predict(X_test)

precision = metrics.accuracy_score(y_test, y_pred)

print(f"Precisión del modelo Naive Bayes: {precision}")

Precisión del modelo Naive Bayes: 0.85

Conclusión:

Naive Bayes es una elección sólida para problemas de clasificación, especialmente en situaciones donde las suposiciones ingenuas sobre la independencia condicional de las características son razonables. Desde la carga de datos hasta la interpretación de probabilidades, hemos explorado los pasos esenciales para aplicar Naive Bayes en aprendizaje supervisado.

¡Esperamos que este blog te haya brindado una comprensión práctica y aplicable de la implementación de Naive Bayes en tus proyectos de aprendizaje automático!