Naive Bayes Classifier

Opis projektu

Projekt implementuje Naiwne Klasyfikatory Bayesowskie dla dwóch typów danych:

1. Dane kategoryczne – implementacja klasyfikatora Multinomial Naive Bayes Classifier.
2. Dane ilościowe – implementacja klasyfikatora Gaussian Naive Bayes Classifier.

Projekt testowano na rzeczywistych zbiorach danych, takich jak zbiór Iris dostępny w bibliotece scikit-learn i zbiór Mushroom dostępny na platformie Kaggle (katalog /data).

---

Klasyfikatory

1. Multinomial Naive Bayes Classifier

• Przeznaczony dla danych kategorycznych.
• Oblicza prawdopodobieństwo na podstawie liczby wystąpień wartości cech dla każdej klasy.
• Zakłada warunkową niezależność cech.

2. Gaussian Naive Bayes Classifier

• Przeznaczony dla danych ilościowych.
• Opiera się na rozkładzie normalnym, obliczając prawdopodobieństwa na podstawie średniej i odchylenia standardowego cech.

---

Struktura projektu

1. Implementacja klasyfikatorów: /src

   • MultinomialNaiveBayesClassifier – dla danych kategorycznych.
   • GaussianNaiveBayesClassifier – dla danych ilościowych.
   • NaiveBayesClassifier – abstrakcyjna klasa nadrzędna dla naiwnego klasyfikatora bayesowskiego.

2. Wstępna analiza danych: /data_analysis

   • Wizualizacja danych.
   • Wybór cech, które najlepiej odróżniają klasy w zbiorze danych.

3. Ewaluacja: /accuracy_notebooks

   • Podział danych na zbiory treningowe i testowe.
   • Obliczanie dokładności poszczególnych klasyfikatorów w notebookach Mushrooms_accuracy.ipynb i Iris_Accuracy.ipynb.

---

Technologie

• Python – główny język programowania.
• Biblioteki:
  • numpy – obliczenia matematyczne.
  • pandas – manipulacja danymi.
  • scikit-learn – wczytywanie zbiorów danych i podział na zbiory treningowe/testowe.

---

Autorzy

• Maciej Kmąk
• Jakub Gucwa

Projekt został zrealizowany w ramach przedmiotu Rachunek prawdopodobieństwa i statystyka, prowadzonego na II roku studiów na kierunku Informatyka na Wydziale Informatyki Akademii Górniczo-Hutniczej.