使用此预测建模技术，可以根据多个预测变量预测分类结果。该技术通过将贝叶斯定理应用于条件概率来对观测值进行分类。
朴素贝叶斯
- 在打开的 JMP ®表格中，选择“分析”>“预测建模”>“朴素贝叶斯”。
- 从“选择列”中选择名义或有序响应变量，然后单击“Y，响应” 。
- 选择候选预测变量，然后单击X，因子。
- 如果需要，可以输入验证部分，或者选择一个验证列，然后单击验证，如本示例中所示。
- 单击“确定” 。JMP 显示：
- 误分类总数和误分类率。
- 混淆矩阵详细说明了分类性能。
- ROC 曲线和 AUC 值（此处仅显示训练数据的结果）。
注意：点击顶部红色三角形并选择“分析器” ，即可显示一个交互式工具，该工具会根据预测变量的水平显示每个类别的预测概率。其他选项，例如“评估变量重要性”，可以通过“预测分析器”旁边的红色三角形访问。右下角显示的是三个预测变量（HDL、BMI 和 LTG）的分析器。
使用朴素贝叶斯分类器预测 442 名糖尿病患者的血糖水平（低/高）的结果：
训练数据中共有 309 个观测值。其中，66 个（21%）被错误分类。低值观测值中有 41/(185+41) = 18% 被错误分类为高值。高值观测值中有 25/(25+58) = 30% 被错误分类为低值。
验证数据集中共有 133 个观测值。其中，32 个（24%）被错误分类。低值组的 25/(70+25) = 26%。
观测值被错误地分类为高值。7/(7+31) = 18% 的高值观测值被错误地分类为低值。
注：其他选项，如升力曲线、保存预测值、保存预测公式、保存概率公式以及发布概率公式，均可从顶部红色三角形访问。
Diabetes.jmp (Help > Sample Data Folder)Diabetes.jmp（帮助 > 示例数据文件夹）
访问JMP 帮助中的“预测和专用模型 > 朴素贝叶斯”了解更多信息。
