Gauss Naive Bayes, her bir özellikle ilişkili sürekli değerlerin bir Gauss dağılımına göre dağıtıldığı varsayılır. Gauss dağılımına normal dağılım da denir. 

Kullanım için "GaussianNB" kütüphanesinin içe aktarılması gerekmektedir.

from sklearn.naive_bayes import GaussianNB

Örnek-1: İris veri seti üzerinden, "species" değişkenine GaussianNB sınıflandırma algoritmasını uygulayalım.

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
import warnings
warnings.filterwarnings("ignore")

from sklearn.model_selection import train_test_split

from sklearn.metrics import accuracy_score,precision_score,recall_score,f1_score
from sklearn.metrics import confusion_matrix,classification_report

from sklearn.naive_bayes import GaussianNB

Keşifsel Veri Analizi EDA

#Veri seti okunur
df=sns.load_dataset("iris")
df.head()

Çıktı:

# Veri seti hakkında bilgi 
df.info()

Çıktı:

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 150 entries, 0 to 149
Data columns (total 5 columns):
 #   Column        Non-Null Count  Dtype  
---  ------        --------------  -----  
 0   sepal_length  150 non-null    float64
 1   sepal_width   150 non-null    float64
 2   petal_length  150 non-null    float64
 3   petal_width   150 non-null    float64
 4   species       150 non-null    object 
dtypes: float64(4), object(1)
memory usage: 6.0+ KB

#species sütunu eleman sayıları
df.species.value_counts()

Çıktı:

setosa        50
versicolor    50
virginica     50
Name: species, dtype: int64

#Veri seti açıklamaları
df.describe()

Çıktı:

#Sütunların birbirleri ile korelasyonu
df.corr()

Çıktı:

#Korelasyon görüntülenmesi
sns.heatmap(df.corr(),annot=True)

Çıktı:

#türe göre sepal ve petal length
sns.scatterplot(x="sepal_length",y="petal_length",hue="species",data=df)

Çıktı:

Model Oluşturma İşlemleri

#x(bağımsız değişkenler) ve y(hedef/tahmin değişkeni) ataması yapılır.
x,y=df.drop("species",axis=1),df[["species"]]

#train ve test verileri ayrılır
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2,random_state=13)
x_train.shape,x_test.shape,y_train.shape,y_test.shape

Çıktı:

((120, 4), (30, 4), (120, 1), (30, 1))

#GaussianNB ataması yapılır
G=GaussianNB()

#Model eğitme işlemi
G.fit(x_train,y_train)

#x_test verilerini tahminleme işlemi
predict_G=G.predict(x_test)

confusion_matrix(y_test,predict_G)

Çıktı:

array([[ 9,  0,  0],
       [ 0,  8,  0],
       [ 0,  1, 12]], dtype=int64)

#confusion_matrix değerlerinin grafikselleştirmesi
sns.heatmap(confusion_matrix(y_test,predict_G),annot=True,linewidths=2)

Çıktı:

#Sınıflandırma raporu
print(classification_report(y_test,predict_G))

Çıktı:

             precision    recall  f1-score   support

      setosa       1.00      1.00      1.00         9
  versicolor       0.89      1.00      0.94         8
   virginica       1.00      0.92      0.96        13

    accuracy                           0.97        30
   macro avg       0.96      0.97      0.97        30
weighted avg       0.97      0.97      0.97        30

Sınıflandırma raporunda da görüldüğü gibi girilen 4 değere ('sepal_length', 'sepal_width', 'petal_length', 'petal_width') göre species sütununda bulunan türleri doğru tahmin etme yüzdesi accuracy değeri göz önüne alınırsa %97 olarak tahmin etmiş oldu. 

Model Tahminleme İşlemleri

GaussianNB algoritması ile oluşturulan modele gireceğimiz değerlerin türünü tahmin ettirmek için;

G.predict([[2.1,5.4,7.3,2.0]]) #'sepal_length', 'sepal_width', 'petal_length', 'petal_width'

Çıktı:

array(['virginica'], dtype='<U10')

Girilen değerlerin "virginica" türüne ait olduğu tahmin edilmiş oldu.