1 朴素貝葉斯分類
我們使用NaiveBayes()函數來實現朴素貝葉斯分類算法，我們分為兩種函數格式來分別介紹：
install.packages("klaR")
library(klaR)
library("MASS")
（1）公式 formula格式
以nmkat為待判別變量，以datatrain來生成貝葉斯判別規則，過程如下:
fitBayes1<-NaiveBayes(nmkat~.,datatrain) #以nmkat未判別變量，以datatrain來生成貝葉斯判別規則
names(fitBayes1) #顯示fitBayes1所包含的輸出項名稱
fitBayes1$apriori #顯示該1次執行過程中所用的先驗概率
fitBayes1$tables
#tables 項儲存了用於建立判別規則的所有變量在各類別下的條件概率，這是運行貝葉斯判別算法中的一個重要討程:
fitBayes1$tables
結果分析：比如，變量“Sbad0)”部分記錄了“是否有浴室”變量在各租金等級下，取0(有浴室）和1(無浴室）的概率。具體的，在等級1(不足500馬克）的租金水平下，有浴室的占到約92.4%，無浴室的占7.6%，而且我們看到這兩列數據在各租金水平下的取值差異並不大，最貴的房子(等級5)中有99.3%有浴室，而最便宜的房子（等級1)中也約有90%配有浴室。由此，我們可以認為浴室基本是出租房屋的必備部件，是一種硬需求，對租金水平的高低沒有決定性作用。
結果分析：而地理位置 adr和住宅環境wohn變量的情況就與bad0變量不太相同，這兩個變量的取值有着明顯的趨勢:隨着租金水平的提高（等級1至等級5)，地理位置/住宅環境較差(取1)的房子越來越少，地段較好（取3)的房子越來越多。可見，像地段、環境這種軟需求對於房價的影響是不可忽視的，一個優良的環境和便利的地段往往可以提升租金。
（2） 默認格式
以默認格式建立貝葉斯判別規則，分別設置屬性變量（除第12個變量 nmkat 外）與待判別變量（第12個變量nmkat）的取值，並記為fit_Bayes2，程序代碼列示如下:
fit_Bayes2=NaiveBayes(data_train[,-12],data_train[,12])
2．各類別下變量密度可視化
我們按照如上得到的判別規則fit_Bayes1，以參與規則建立的其中三個定量變量為例來查看其密度圖像。
這三個變量分別為占地面積wfl、租賃期mvdauer，以及每平方米凈租金nmqm。
plot(fitBayes1,vars = "wfl",n=50,col=c(1,"darkgrey",1,"darkgrey",1))
結果分析：對於占地面積wfl變量，我們可以看到分別對應於5個租金等級的5條曲線的最高點從1至5依次右移，即所對應的占地面積水平依次提高，這是符合常識理解的，面積越大的房屋租金往往越高。具體的，可以觀察到，1至3租金等級的樣本多集中於40至60平方米的占地面積水平，而4、5等級，即租金高於850馬克的房屋則在70~90平方米左右。
plot(fitBayes1,vars = "mvdauer",n=50,col=c(1,"darkgrey",1,"darkgrey",1))
結果分析：租金等級為5的房租的租賃年限遠低於其他4個等級，前4個等級的租賃期多為2、3年至30、40年不等，而等級5的租賃期則基本都集中於2年左右。
plot(fitBayes1,vars = "nmqm",n=50,col=c(1,"darkgrey",1,"darkgrey",1))
結果分析：每平方米凈租金nmqm變量在各租金水平下的分布看起來要均勻一些,即租金越高的房屋每平方米租金就越高，5條曲線按照等級順序平穩依次右移，這也是符合我們理解的，單位面積租金高則總租金會高。
3．對測試集待判別變量取值進行預測
與討論線性判別的效果時一樣，我們以混淆矩陣和錯誤率兩種方式來評價貝葉斯判別的預測效果，下面首先根據fit_Bayes1判別規則對測試集進行預測。
preBayes1<-predict(fitBayes1,datatest)
preBayes1
...
結果分析：這里包括預測類別class和后驗概率posterior這兩項，每個樣本屬於各類別的后驗概率最高者為該樣本被判定的類別。
table(datatest$nmkat,preBayes1$class)
#生成混淆矩陣，行為實際，列為預測，
結果分析：我們看到1，5類中的大部分樣本被正確分類，差異性較小的2，3，4類則大部分沒有被正確分類。