-
Notifications
You must be signed in to change notification settings - Fork 0
/
classifica_sample.py
executable file
·49 lines (39 loc) · 1.11 KB
/
classifica_sample.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
# pip install scipy
# pip install numpy
# pip install sklearn
from sklearn.naive_bayes import MultinomialNB
# [come carne? come vegetais? é homem?]
dados = []
dados.append([1, 0, 1])
dados.append([1, 0, 1])
dados.append([1, 0, 0])
dados.append([1, 1, 0])
dados.append([1, 0, 1])
dados.append([1, 0, 1])
dados.append([1, 0, 0])
dados.append([1, 1, 0])
dados.append([1, 1, 1])
dados.append([1, 1, 0])
dados.append([0, 1, 0])
dados.append([0, 1, 1])
dados.append([1, 1, 1])
dados.append([1, 1, 0])
dados.append([0, 1, 0])
dados.append([0, 1, 1])
marcacoes = ([1]*10) + ([0]*6)
modelo = MultinomialNB()
modelo.fit(dados, marcacoes)
_1cervejeiro = [1, 1, 1]
_2cervejeiro = [1, 0, 0]
_1leiteiro = [0, 1, 1]
_2leiteiro = [0, 1, 0]
dados_teste = [_1cervejeiro, _2cervejeiro, _1leiteiro, _2leiteiro]
marcacoes_teste = [1, 1, 0, 0]
resultado = modelo.predict(dados_teste)
diferencas = resultado - marcacoes_teste
acertos = [d for d in diferencas if d == 0]
total_de_acertos = len(acertos)
total_de_elementos = len(dados_teste)
taxa_de_acerto = 100.0 * total_de_acertos / total_de_elementos
print(resultado)
print(taxa_de_acerto)