基于行空板的贝叶斯出行方式预测装置

项目介绍
在信息时代下，生活中处处充满了数据，而数据蕴含着规律，在大量的数据中如何快速的需按照规律，辅助人类进行预测呢？人工智能的预测算法应运而生，其中，朴素贝叶斯预测算法是最为常用的预测算法。本节课我们就来使用朴素贝叶斯算法，来寻找出行习惯数据的规律，形成模型，实现对于出行方式的的预测。

本项目将利用朴素贝叶斯算法制作一个训练出行模型装置，使用出行习惯数据集训练出行方式预测模型，并将训练过程显示在行空板屏幕上，然后输入测试数据预测出行方式。

硬件清单

软件清单

- Mind+编程软件（下载地址：https://www.mindplus.cc）

连接硬件

将行空板通过USB线连接到电脑上，等待行空板屏幕亮起，并显示行空板LOGO，表示连接成功。

准备软件

按照下面步骤，设置Mind+软件编程方式为 Python图形化编程，并完成行空板的加载和连接。

编写程序

（1）训练模型

我们使用朴素贝叶斯分类器完成预测出行方式任务，先来加载算法模块。点击“扩展”，选择“用户库”，在搜索框中输入：https://gitee.com/liliang9693/ext-pyGaussianNB，点击加载模块。

将数据集放入程序文件夹。在“素材”文件夹找到数据集表“GG_dataset_Real_Processed.csv”，拖入“项目中的文件”。

数据集放入同一文件夹后，向程序导入数据集并获得算法所需的样本数据，一共可分为读取csv表格，指定特征数据列，指定标签列以及划分训练集和测试集四个步骤。

然后，我们就可以按照“导入数据集→开始训练→训练完成，显示模型准确率→保存模型”这样的流程来完成训练预测出行模型的程序。

为了更清楚的展示训练数据和训练过程，我们可以使用按钮控制开始模型训练，用文字对象显示训练的每一步。加入训练过程的示例例程序如下：

注意：为了简化程序，数据显示的部分，使用“数据缩略图.png”表示。在不需要显示数据的时候，使用“空白.png”代替此处图片。注意使用前先将这两张图片放入程序所在文件夹中。

（2）预测出行方式

使用测试数据预测，需要先加载模型，然后向贝叶斯模型输入参数，得到预测结果。我们可以新建“预测结果”变量，把结果储存下来。

注意：输入参数格式为“[温度数据,湿度数据,光照数据,是否下雨]”。

我们同样使用按钮来控制预测过程，建立标志变量“是否预测”，当按下“预测”按钮，预测出行方式并显示测试数据。当然，也别忘了清空训练时显示的内容。完整示例程序如下：

运行程序

程序运行后，行空板屏幕显示“训练”和“预测”两个按钮。

先点击“训练”按钮，行空板训练模型并同步显示训练过程，训练完成后显示模型准确率。

训练成功后，点击“预测”按钮，显示“开始预测”，然后显示测试数据和预测结果。

查找和下载模型

与上节课查找和下载表格方法相同，在“行空板中的文件”里，点击打开文件夹“mindplus” → 点击打开文件夹“cache” → 点击打开此程序所在文件夹如“训练预测出行模型.mp” → 找到生成的模型文件“GG_Gaussian_Naive_Classifier_smarthome.pkl”，但后单击右键，点击下载。

这能Python做吗