人工智能實(shí)驗(yàn)三樸素貝葉斯分類實(shí)驗(yàn)

1、實(shí)驗(yàn)三：分類算法實(shí)驗(yàn)智能 1402 201408070221 李帥玲目錄實(shí)驗(yàn)三：分類算法實(shí)驗(yàn) 1一實(shí)驗(yàn)?zāi)康?2二實(shí)驗(yàn)的硬件、軟件平臺(tái) 2三實(shí)驗(yàn)內(nèi)容及步驟 2四、思考題： 2五實(shí)驗(yàn)報(bào)告 3（一）算法的基本原理 3（二）實(shí)驗(yàn)框架與結(jié)果 41. 汽車評(píng)估數(shù)據(jù)集 42. 程序框架 63. 實(shí)驗(yàn)結(jié)果 6（三）實(shí)驗(yàn)分析和思考題 7（四）實(shí)驗(yàn)源代碼 8實(shí)驗(yàn)?zāi)康?. 了解樸素貝葉斯算法和決策樹(shù)算法的基本原理；2. 能夠使用樸素貝葉斯算法 或者 決策樹(shù)算法對(duì)數(shù)據(jù)進(jìn)行分類3. 學(xué)會(huì)對(duì)于分類器的性能評(píng)估方法二實(shí)驗(yàn)的硬件、軟件平臺(tái)硬件：計(jì)算機(jī)軟件：操作系統(tǒng)： WINDOWS8.1應(yīng)用軟件： Java三實(shí)驗(yàn)內(nèi)容及步驟（

2、一）實(shí)驗(yàn)內(nèi)容：利用貝葉斯算法或者決策樹(shù)算法進(jìn)行數(shù)據(jù)分類操作 數(shù)據(jù)集：汽車評(píng)估數(shù)據(jù)集 （ 見(jiàn)附錄）（二）實(shí)驗(yàn)步驟：1仔細(xì)閱讀并了解實(shí)驗(yàn)數(shù)據(jù)集；2使用任何一種熟悉的計(jì)算機(jī)語(yǔ)言 （ 比如 C,Java 或者 matlab） 實(shí)現(xiàn)樸素貝葉斯算法或者決策樹(shù) 算法；3利用樸素貝葉斯算法或者決策樹(shù)算法在訓(xùn)練數(shù)據(jù)上學(xué)習(xí)分類器, 訓(xùn)練數(shù)據(jù)的大小分別設(shè)置為：前 100個(gè)數(shù)據(jù)，前 200個(gè)數(shù)據(jù)，前 500個(gè)數(shù)據(jù)，前 700個(gè)數(shù)據(jù)，前 1000個(gè)數(shù)據(jù)，前 1350個(gè)數(shù)據(jù)； 4利用測(cè)試數(shù)據(jù)對(duì)學(xué)習(xí)的分類器進(jìn)行性能評(píng)估；5統(tǒng)計(jì)分析實(shí)驗(yàn)結(jié)果并上交實(shí)驗(yàn)報(bào)告；四、思考題：1. 兩種算法在訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集上的性能一致嗎？哪個(gè)

3、比較好？2. 提出一種提高分類器性能的方法并通過(guò)實(shí)驗(yàn)驗(yàn)證。五實(shí)驗(yàn)報(bào)告J算法的基本原理貝葉斯定理：表示事件X已經(jīng)發(fā)生的前提下，事件Y發(fā)生的概率，叫做事件X發(fā)生下事件Y的條件概率，其基本求解公式為:樸素貝葉斯分類器:=argmax P(ava2)an| v) P(vj樸素貝葉斯的思想基礎(chǔ)是這樣的： 對(duì)于給出的待分類項(xiàng)，求解在此項(xiàng)出現(xiàn)的條件下各個(gè)類別出現(xiàn)的概率，哪個(gè)最大,就認(rèn)為此待分類項(xiàng)屬于哪個(gè)類別。樸素貝葉斯分類的正式定義如下：1、設(shè)加1 G陰.嚴(yán)扯"応礎(chǔ)訃為一個(gè)待分類項(xiàng)，而每個(gè) a為x的一個(gè)特征屬性。2、 有類別集合【二八沐:3、 計(jì)算F（如迓（呦"r F（如玖4、 如果F如

4、叨=啊處叭“F（血陰,則® $隸。那么現(xiàn)在的關(guān)鍵就是如何計(jì)算第 3步中的各個(gè)條件概率。我們可以這么做：1、找到一個(gè)已知分類的待分類項(xiàng)集合，這個(gè)集合叫做訓(xùn)練樣本集。2、統(tǒng)計(jì)得到在各類別下各個(gè)特征屬性的條件概率估計(jì)。即戸仏I如）仙血佃iMh卩仙阪. P（2血z珂砧畫）；圳）3、如果各個(gè)特征屬性是條件獨(dú)立的，則根據(jù)貝葉斯定理有如下推導(dǎo)：因?yàn)榉帜笇?duì)于所有類別為常數(shù)，因?yàn)槲覀冎灰獙⒎肿幼畲蠡钥?。又因?yàn)楦魈卣鲗傩允菞l件獨(dú)立的，所以有: 整個(gè)樸素貝葉斯分類分為三個(gè)階段:第一階段：準(zhǔn)備工作階段，這個(gè)階段的任務(wù)是為樸素貝葉斯分類做必要的準(zhǔn)備，主要工作是根據(jù)具體情況確定特征屬性，并對(duì)每個(gè)特征屬性進(jìn)行適

5、當(dāng)劃分，然后由人工對(duì)一部分待分類項(xiàng)進(jìn)行分類，形成訓(xùn)練樣本集合。這一階段的輸 入是所有待分類數(shù)據(jù)，輸出是特征屬性和訓(xùn)練樣本。這一階段是整個(gè)樸素貝葉斯分類中唯一需要人工完成的階段， 其質(zhì)量對(duì)整個(gè)過(guò)程將有重要影響，分類器的質(zhì)量很大程度上由特征屬性、特征屬性劃分及訓(xùn)練樣本質(zhì)量決定。第二階段：分類器訓(xùn)練階段，這個(gè)階段的任務(wù)就是生成分類器，主要工作是計(jì)算每個(gè)類別在訓(xùn)練樣本中的出現(xiàn)頻率及每個(gè)特征屬性劃分對(duì)每個(gè)類別的條件概率估計(jì)，并將結(jié)果記錄。其輸入是特征屬性和訓(xùn)練樣本，輸出是分類器。這一階段是機(jī)械性階段，根據(jù)前面討論的公式可以由程序自動(dòng)計(jì)算完成。第三階段：應(yīng)用階段。這個(gè)階段的任務(wù)是使用分類器對(duì)待分類項(xiàng)進(jìn)行分

6、類，其輸入是分類器和待分類項(xiàng)，輸出是待分類項(xiàng)與類別的映射關(guān)系。這一階段也是機(jī)械性階段，由程序完成。決策樹(shù):決策樹(shù)是一個(gè)類似于流程圖的樹(shù)結(jié)構(gòu)，其中每個(gè)內(nèi)部結(jié)點(diǎn)表示在一個(gè)屬性上的測(cè)試，每個(gè)分支代表一個(gè)測(cè)試輸入，而每個(gè)樹(shù)葉結(jié)點(diǎn)代表類或類分布。數(shù)的最頂層結(jié)點(diǎn)是根結(jié)點(diǎn)。一棵典型的決策樹(shù)如圖所示。它表示概念buys_computer，它預(yù)測(cè)顧客是否可能購(gòu)買計(jì)算機(jī)。內(nèi)部結(jié)點(diǎn)用矩形表示，而樹(shù)葉結(jié)點(diǎn)用橢圓表示。為了對(duì)未知的 樣本分類，樣本的屬性值在決策樹(shù)上測(cè)試。決策樹(shù)從根到葉結(jié)點(diǎn)的一條路徑就對(duì)應(yīng)著一條合取規(guī)則，因此決策樹(shù)容 易轉(zhuǎn)化成分類規(guī)則。（二）實(shí)驗(yàn)框架與結(jié)果1. 汽車評(píng)估數(shù)據(jù)集汽車評(píng)估數(shù)據(jù)集包含1728個(gè)數(shù)

7、據(jù)，其中訓(xùn)練數(shù)據(jù)1350,測(cè)試數(shù)據(jù) 個(gè)。每個(gè)數(shù)據(jù)包含6個(gè)屬性，所有的數(shù)據(jù)分為4類:Class Values:un acc, acc, good, vgoodAttributes:buying: vhigh, high, med, low.maint: vhigh, high, med, low.doors: 2, 3, 4, 5more.pers ons: 2, 4, more.lug_boot: small, med, big.safety: low, med, high.部分訓(xùn)練集截圖：learn.twt 車-vhlghj Thl2r 2 small, low, imacc vhi 氐h*

8、 Thigh, 'A, 2sual 1 f mpd” unacc vtiigh, vhi呂h 2. 2】small, hi£h, unacc vhigh, Thigh, 2, 2】ned, 1 ov, unacc vhigh, vhl呂h, 2, 2 nsd” iubiL, unacc vhigh, vhigh. 2r 2, hi unacc vhieh 2, 2, bi g, low, unaccvhigH, yhigli, 2, 2, big, neil, unacc vhish* vhi2, 2, bigj hi名h，unace vhigh, vhieh, 2, 4,

9、srnll, low, unacc vlllsll, Th! 11, 2, 4； SBLdll, IJLtill, llILdCC Thigh, vhigli, 2, 4: small! hlgji, unaec vhigh, vhi 2, 43 ned, 1 oir una de vhishR vhiph 2, 4, ned, me山 unacc vhj.ghp 常hi醫(yī)h, 2, 4: med, high, unaCC vhiahF vhi2h 4j big1 ow1 unacc vhi ghP vhieti, 2, 4, bi g, ned, irnaec viiigii, vliigh

10、, 2, 4： bls, high, uuacc vhigh, vhigh, 2, morc3 snail, low, uagcc vhi&h, vhi'2, moro, silaIIujciacc vhish. vhiBh, 2, more, small, high* unacc viiigli, vlii gli, 2, Mui'ti, mud, luv, uuacc vhi&hp vhigh, 2, moro, MUid, nod, unacc vhi ghF vhi gti, 2, mnrp, hi eh, unacc vhigh. 2, mure, b

11、it, luvT uniicc;vhigh, irhigh, 2f more, big, ned, unacc部分測(cè)試集截圖:test, txt -記尋文蹴町褊輯巳宿式Q直看(V)務(wù)助巴low, vhigh, 4, 2, small, low, unacc low> vhigh, 4, 2, small, jwd, unacc low, vhigh, 4, 2, smll? high, unacc low, vhigh, 4, 2r mad, low, unacc 1 aw, vhi gh, 4, 2, ulbd, nodT unacc low, vhigh, |4f 2, med, h

12、ighj unacc low, vhigh, 4, 2, big, low, unacc 1 oWj vhi gh, 4, 2, bimed. una.ce 1 awr vhi ghj 4T 2, hi gh, unacc low, vhigh, 4, 4, small, lew, iinacc low, vhi gh, 4, 4, small, med, unacc 1 cbw, vhighj 44, smallj highj acc 1 civf, vhi gh, 4* 4, m.ed, Lovtr unacc low, vhigh, 4, 4)med, med, acc law, vhi

13、 gh, 4, 4, uiEd, high3 acc low, vhighj 4, 4. bi壓，low, una.ee low, vhi gh 1, 4)bi&, med. ace low, vhigh, 4, 4, bi g, high, acc low, vhigh, 4, more, small, low, unacc 1 ow, vhi gh, 4, iuqte, smal 1, ined, unacc 1 ow, vhighj 4, rooTe, small, high, acc2. 程序框架i獲取訓(xùn)練樣本2. 對(duì)每個(gè)類別進(jìn)行統(tǒng)計(jì)(Class Values: unacc,

14、acc, good, vgood3. 對(duì)每個(gè)屬性進(jìn)行統(tǒng)計(jì)(buying: vhigh, high, med, low.ma int: vhigh, high, med, low.doors: 2, 3, 4, 5more.pers ons: 2, 4, more.lug_boot: small, med, big.safety: low, med, high.)4. 計(jì)算并存儲(chǔ)每個(gè)屬性在類別中的條件概率，例如P(buing:vhigh | class value:unacc)= ( buing中vhigh的數(shù)量)除以(classValue 中 unacc 的數(shù)量)5. 獲取測(cè)試集樣本，將測(cè)試數(shù)

15、據(jù)放入訓(xùn)練集6. 根據(jù)每一條測(cè)試數(shù)據(jù)的前六項(xiàng)，每一項(xiàng)在訓(xùn)練集的每個(gè)類別中都分別有一個(gè)概率值，將每一類別中六個(gè)概率值相乘，可得四個(gè)評(píng)估概率。例如，對(duì)于測(cè)試數(shù)據(jù)(low,vhigh,4,2,small,low,u nacc)評(píng)價(jià)結(jié)果 V1=p(low|unacc)*p(vhigh |unacc)*p(4 |unacc)*p(2 |unacc)*p(small |unacc)*p(low,|unacc)V2=p(low|acc)*p(vhigh |acc)*p(4 |acc)*p(2 |acc)*p(small |acc)*p(low,|acc)V3=p(low|good)*p(vhigh |goo

16、d)*p(4 |good)*p(2 |good)*p(small |good)*p(low,|good)V4=p(low|vgood)*p(vhigh |vgood)*p(4 |vgood)*p(2 |vgood)*p(small |vgood)*p(low,|vgood)比較VI、V2、V3、V4中概率最大的評(píng)價(jià)，可得評(píng)價(jià)結(jié)果7. 對(duì)評(píng)估概率進(jìn)行比價(jià)，可得最大概率，最大概率指向的類別即為測(cè)試結(jié)果8. 測(cè)試結(jié)果與測(cè)試數(shù)據(jù)最后一項(xiàng)進(jìn)行比對(duì)，若相同表示測(cè)試正確，返回true，反之，若不相同，則返回false。9. 統(tǒng)計(jì)true的數(shù)量，除以測(cè)試樣本數(shù)量，可得分類器的準(zhǔn)確率。3. 實(shí)驗(yàn)結(jié)果部分截圖:f

17、alsefalsetruefalsefalsetruef alsfalsetruefalsefalsetruefa la efalse分類器的淮確率為：ga.7S306C得知：此種訓(xùn)練集下得到的樣本測(cè)試準(zhǔn)確率為68.78%左右。樸素貝葉斯的測(cè)試性能與訓(xùn)練集有關(guān)，訓(xùn)練集好則準(zhǔn)確率高。(三) 實(shí)驗(yàn)分析和思考題1. 兩種算法在訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集上的性能一致嗎？哪個(gè)比較好？決策樹(shù)有比較好的準(zhǔn)確率和相對(duì)較好的標(biāo)準(zhǔn)誤差，但是在這背后，很有可能是以較大錯(cuò)誤率作為代價(jià)，這點(diǎn)可以從訓(xùn)練混淆矩陣中得到印證；而樸素貝葉斯分類算法的準(zhǔn)確率相對(duì)較低，而標(biāo)準(zhǔn)誤差也較高。樸素貝葉斯算法時(shí)間復(fù)雜度：0( n3)決策樹(shù)算法

18、時(shí)間復(fù)雜度：0(n*|S|*log|S|)其中l(wèi)og以2為底，n為屬性的個(gè)數(shù)，|S|為訓(xùn)練樣本的個(gè)數(shù)而且樸素貝葉斯可能存在 0概率問(wèn)題存在準(zhǔn)確度問(wèn)題，樸素貝葉斯分類器是基于樣本屬性條件獨(dú)立的假設(shè)的前提下的，但是實(shí)際情況可能并不成立，這樣也就缺失準(zhǔn)確性了 解決樸素貝葉斯準(zhǔn)確性問(wèn)題提出的一種方法叫做：貝葉斯網(wǎng)絡(luò)(Bayesian Belief Networks )2. 提出一種提高分類器性能的方法并通過(guò)實(shí)驗(yàn)驗(yàn)證。Adaboost :基于錯(cuò)誤提升分類器的性能Adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器，即弱分類器，然后把這些弱分類器集合起來(lái)，構(gòu)造一個(gè)更強(qiáng)的最終分類器，

19、比起弱分類器，這個(gè)“強(qiáng)”分類器的錯(cuò)誤率會(huì)低很多。Adaboost算法本身是改變數(shù)據(jù)分布實(shí)現(xiàn)的，它根據(jù)每次訓(xùn)練集之中的每個(gè)樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來(lái)確定每個(gè)樣本的權(quán)值。將修改權(quán)值的新數(shù)據(jù)送給下層分類器進(jìn)行訓(xùn)練，然后將每次訓(xùn)練D, 開(kāi)始時(shí)權(quán)重 D初始化為相等的值;得到的分類器融合起來(lái)，作為最后的決策分類器。以下給出Adaboost算法的運(yùn)行過(guò)程：1. 訓(xùn)練數(shù)據(jù)中的每個(gè)樣本，并賦予其一個(gè)權(quán)重，這些權(quán)重構(gòu)成向量2. 先在訓(xùn)練樣本上訓(xùn)練得到第一個(gè)弱分類器并計(jì)算分類器的錯(cuò)誤率 ；3. 在同一數(shù)據(jù)集上再次訓(xùn)練弱分類器，在分類器的二次訓(xùn)練中，會(huì)重新調(diào)整每個(gè)樣本的權(quán)重，其中第一次分類正確

20、的樣本的權(quán)重將會(huì)降低，而分類錯(cuò)誤的樣本權(quán)重將會(huì)提高；這一組4. 為了從所有弱分類器中得到最終的分類結(jié)果，Adaboost為每個(gè)分類器都分配了一個(gè)權(quán)重值alpha，值是基于每個(gè)弱分類器的錯(cuò)誤率進(jìn)行計(jì)算的。其中，錯(cuò)誤率由以下公式定義:耒止準(zhǔn)分婁的樣衣彳、斂所有樣本個(gè)數(shù)忤）（四）實(shí)驗(yàn)源代碼package rgzn;import java.io.BufferedReader;import java.io.File;import java.io.FileNotF oun dExceptio n;import java.io.FileReader;import java.i o.ln putStreamR

21、eader;import java.math.BigDecimal;import java .n et.URL;import java.util.ArrayList;import java.util.Sca nner;import java.util.Vector;*樸素貝葉斯* author Dyl*/汽車屬性class Car public String buying;/ vhigh,high,med,lowpublic String main t;/ vhigh,high,med,lowpublic String doors;/ 2,3,4,5morepublic String pers

22、 ons; 2,4,morepublic String lug_boot;/ small ,med,bigpublic String safety;/ low,med,highpublic String ClassValues;/ un acc,acc, good,vgoodpublic Stri ng predictResult = new Stri ng5;記錄預(yù)測(cè)結(jié)果 public class NavieBayes Vector<Car> vector;int testTotal = 0;/ 訓(xùn)練樣本數(shù)量int predictTotal = 0;/ 測(cè)試樣本的數(shù)據(jù)int pr

23、edictSucess = 0;/ 預(yù)測(cè)成功的數(shù)量String ClassValueName = "unacc", "acc", "good", "vgood" ;/ 存儲(chǔ)數(shù)量int ClassValueTotal = new int4;/ unacc-0 acc-1 good-2 vgood-3int buying_Vlaue = new int44; / 前面是自己的屬性，后面是 value 的屬性 int maint_Value = new int44;int doors_Value = new int44;

24、int persons_Value = new int34;int lugboot_Value = new int34;int safety_Value = new int34;/ 存儲(chǔ)概率float ClassValueTotal_gl = new float4;/ unacc-0 acc-1 good-2 vgood-3float buying_Vlaue_gl = new float44; / 前面是自己的屬性，后面是 value 的屬性 float maint_Value_gl = new float44;float doors_Value_gl = new float44;float

25、 persons_Value_gl = new float34;float lugboot_Value_gl = new float34;float safety_Value_gl = new float34;public NavieBayes() vector = new Vector<Car>();/ 存儲(chǔ)數(shù)據(jù)/* 主函數(shù)*/public static void main(String args) throws Exception NavieBayes pSbys = new NavieBayes(); pSbys.getData();/ 獲取訓(xùn)練樣本pSbys.dataTes

26、t();傳入測(cè)試樣本數(shù)據(jù)，檢測(cè)其分類器的性能 pSbys.showGL();/ 展示結(jié)果*/統(tǒng)計(jì)數(shù)量，為計(jì)算概率做準(zhǔn)備private void dataTongJi(Car car) for(int i=0;i<4;i+)if(car.ClassValues.equals(ClassValueNamei)ClassValueTotali+;/buying:vhigh,high,med,low if(car.buying.equals("vhigh") buying_Vlaue0i+; else if(car.buying.equals("high"

27、)buying_Vlaue1i+; else if(car.buying.equals("med") buying_Vlaue2i+;else buying_Vlaue3i+; /maint_Value:vhigh,high,med,low if(car.maint.equals("vhigh") maint_Value0i+; else if(car.maint.equals("high") maint_Value1i+; else if(car.maint.equals("med") maint_Value2i

28、+; else maint_Value3i+; /doors_Value:2,3,4,5more if(car.doors.equals("2") doors_Value0i+; else if(car.doors.equals("3") doors_Value1i+; else if(car.doors.equals("4") doors_Value2i+; else doors_Value3i+; /persons_Value:2,4,more if(car.persons.equals("2") person

29、s_Value0i+; else if(car.persons.equals("4") persons_Value1i+; else persons_Value2i+;/lugboot_Value:small ,med,big if(car.lug_boot.equals("small") lugboot_Value0i+; else if(car.lug_boot.equals("med") lugboot_Value1i+; else lugboot_Value2i+; /safety_Value:low,med,high if(

30、car.safety.equals("low") safety_Value0i+; else if(car.safety.equals("med") safety_Value1i+; else safety_Value2i+;/* * * 概率統(tǒng)計(jì)*/private void gailvTongJi() for (int i = 0; i < ClassValueTotal.length; i+) ClassValueTotal_gli = (float) ClassValueTotali / testTotal;for (int i = 0; i

31、 < buying_Vlaue_gl.length; i+) for (int j = 0; j < buying_Vlaue_gl0.length; j+) buying_Vlaue_glij = (float) buying_Vlaueij / ClassValueTotalj;maint_Value_glij = (float) maint_Valueij / ClassValueTotalj;doors_Value_glij = (float) doors_Valueij / ClassValueTotalj;for (int i = 0; i < persons_V

32、alue_gl.length; i+) for (int k = 0; k < persons_Value_gl0.length; k+) persons_Value_glik = (float) persons_Valueik / ClassValueTotalk;lugboot_Value_glik = (float) lugboot_Valueik/ ClassValueTotalk; safety_Value_glik = (float) safety_Valueik / ClassValueTotalk;/ 結(jié)果顯示/for (int j = 0; j < c.predi

33、ctResult.length; j+) /System.out.print(c.predictResultj + "tt");/private void showGL() for (int i = 0; i < predictTotal; i+) Car c = vector.get(i);System.out.print(c.predictResultc.predictResult.length-1 + "tt"); System.out.println();/ 分類器的準(zhǔn)確率float t = (float) predictSucess /

34、predictTotal;t = (t * 1000) / 10;System.out.println("n 分類器的準(zhǔn)確率為： " + t + "%");* 給定測(cè)試樣本，測(cè)試其分類器性能如何* 讀取數(shù)據(jù)* throws FileNotFoundException*/private void dataTest() throws FileNotFoundException InputStreamReader in = new InputStreamReader(getClass() .getResourceAsStream("test.txt&

35、quot;);Scanner scanner = new Scanner(in); while (scanner.hasNext() predictTotal+;String temp = scanner.nextLine().split(","); Car car = new Car(); car.buying = temp0;car.maint = temp1; car.doors = temp2; car.persons = temp3; car.lug_boot = temp4; car.safety = temp5; car.ClassValues = temp6

36、; vector.add(car);xingnengTest(car);/ 性能測(cè)試 * 對(duì)分類器進(jìn)行性能測(cè)試，判斷其成功率為多少* param car*/private void xingnengTest(Car car) / unacc,acc,good,vgood, P(yi)-ClassValueTotal_gl 、 P(x|yi)=/ low,vhigh,4,2,small,low,unacc 第一條float itemGl;/ 每一條的概率int b, m, d, p, l, s;b = m = d = p = l = s = -1;float MaxGl = 0;/ 臨時(shí)概率if

37、 (car.buying.equals("vhigh") b = 0; else if (car.buying.equals("high") b = 1; else if (car.buying.equals("med") b = 2; else b = 3;if (car.maint.equals("vhigh") m = 0; else if (car.maint.equals("high") m = 1; else if (car.maint.equals("med")

38、 m = 2; else m = 3;if (car.doors.equals("2") d = 0; else if (car.doors.equals("3") d = 1; else if (car.doors.equals("4") d = 2; else d = 3;if (car.persons.equals("2") p = 0; else if (car.persons.equals("4") p = 1; else p = 2;if (car.lug_boot.equals(&

39、quot;small") l = 0; else if (car.lug_boot.equals("med") l = 1; else l = 2;if (car.safety.equals("low") s = 0; else if (car.safety.equals("med") s = 1; else s = 2;int t = 0;/ 記錄最大概率的下標(biāo)int i;/ 如：/ unacc/ low(0.038),vhigh(0.329),4(0.2323),2(0.4545),small(0.3737),low(0.4545),unacc()for (i = 0; i < ClassValueTotal_gl.length; i+) / 計(jì)算在 unacc,acc,good,vgood 下的概率 itemGl = 0;B