Naive Bayes

NAIVE BAYES (Aprendizaje supervisado)

En un sentido amplio, los modelos de Naive Bayes son una clase especial de algoritmos de clasificación de Aprendizaje Automático, o Machine Learning, tal y como nos referiremos de ahora en adelante. Se basan en una técnica de clasificación estadística llamada “teorema de Bayes”.

Naïve Bayes o el Ingenuo Bayes es uno de los algoritmos más simples y poderosos para la clasificación basado en el Teorema de Bayes con una suposición de independencia entre los predictores. Naive Bayes es fácil de construir y particularmente útil para conjuntos de datos muy grandes.

EJEMPLO

# Importar las bibliotecas necesarias

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

from sklearn.naive_bayes import GaussianNB

from sklearn.metrics import accuracy_score, confusion_matrix, classification_report

# Crear un conjunto de datos de ejemplo

data = {

    'Años_Experiencia': np.random.randint(1, 20, 100),

    'Nivel_Educativo': np.random.randint(10, 20, 100),

    'Edad': np.random.randint(20, 60, 100),

    'Abandono': np.random.choice([0, 1], size=100)

}

df = pd.DataFrame(data)

# Dividir los datos en conjuntos de entrenamiento y prueba

X = df[['Años_Experiencia', 'Nivel_Educativo', 'Edad']]

y = df['Abandono']

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

# Crear un modelo Naive Bayes (Gaussian)

modelo_naive_bayes = GaussianNB()

# Entrenar el modelo con los datos de entrenamiento

modelo_naive_bayes.fit(X_train, y_train)

# Realizar predicciones en el conjunto de prueba

predicciones = modelo_naive_bayes.predict(X_test)

# Evaluar el rendimiento del modelo

accuracy = accuracy_score(y_test, predicciones)

conf_matrix = confusion_matrix(y_test, predicciones)

class_report = classification_report(y_test, predicciones)

print(f'Accuracy: {accuracy}')

print(f'Confusion Matrix:\n{conf_matrix}')

print(f'Classification Report:\n{class_report}')

# Visualizar los resultados (para dos características)

plt.scatter(X_test['Años_Experiencia'], y_test, color='black', label='Actual')

plt.scatter(X_test['Años_Experiencia'], predicciones, color='red', label='Predicción')

plt.title('Predicción de Abandono con Naive Bayes')

plt.xlabel('Años de Experiencia')

plt.ylabel('Abandono (0: No, 1: Sí)')

plt.legend()

plt.show()

Este código utiliza el clasificador Naive Bayes para predecir la probabilidad de abandono (1) o no abandono (0) de empleados en función de características como años de experiencia, nivel educativo y edad. La visualización compara las etiquetas reales con las predicciones. Ten en cuenta que este es un ejemplo básico y, en la práctica, se deben considerar conjuntos de datos más grandes y funciones más relevantes.