Scikit Learn - 伯努利朴素贝叶斯
伯努利朴素贝叶斯是另一个有用的朴素贝叶斯模型。该模型假设特征本质上是二进制的（0 和 1）。伯努利朴素贝叶斯分类的一个应用是使用"词袋"模型进行文本分类。Scikit-learn 提供了 sklearn.naive_bayes.BernoulliNB 来实现高斯朴素贝叶斯分类算法。
参数
下表列出了 sklearn.naive_bayes.BernoulliNB 方法 − 使用的参数。
| Sr.No | 参数 &说明 |
|---|---|
| 1 | alpha − 浮点型，可选，默认值 = 1.0 它表示加法平滑参数。如果选择 0 作为其值，则不会进行平滑。 |
| 2 | binarize − 浮点型或 None，可选，默认值 = 0.0 使用此参数我们可以设置样本特征二值化的阈值。这里的二值化是指映射到布尔值。如果将其值设置为 None，则表示输入由二进制向量组成。 |
| 3 | fit_prior − 布尔值，可选，默认值 = true 它告诉模型是否学习类先验概率。默认值为 True，但如果设置为 False，算法将使用统一先验。 |
| 4 | class_prior −数组类型，size(n_classes,)，可选，默认值为 None 此参数表示每个类的先验概率。 |
属性
下表列出了 sklearn.naive_bayes.BernoulliNB 方法使用的属性 −
| Sr.No | 属性和说明 |
|---|---|
| 1 | class_log_prior_ −数组，shape(n_classes,) 它提供了每个类别的平滑对数概率。 |
| 2 | class_count_ − 数组，shape(n_classes,) 它提供了每个类别实际遇到的训练样本数量。 |
| 3 | feature_log_prob_ −数组，形状为 (n_classes, n_features) 给定类别 $P\left(\begin{array}{c} features\arrowvert Y\end{array} ight)$，给出特征的经验对数概率。 |
| 4 | feature_count_ −数组，形状为 (n_classes, n_features) 它提供了每个 (class, feature) 实际遇到的训练样本数量。 |
sklearn.naive_bayes.BernoulliNB 的方法与我们在 sklearn.naive_bayes.GaussianNB 中使用的方法相同。
实现示例
以下 Python 脚本将使用 sklearn.naive_bayes.BernoulliNB 方法从我们的数据集 − 构建伯努利朴素贝叶斯分类器。
import numpy as np X = np.random.randint(10, size = (10, 1000)) y = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) from sklearn.naive_bayes import BernoulliNB BNBclf = BernoulliNB() BNBclf.fit(X, y)
输出
BernoulliNB(alpha = 1.0, binarize = 0.0, class_prior = None, fit_prior = True)
现在，拟合完成后，我们可以使用 predict() 方法预测新的值，如下所示 −
示例
print((BNBclf.predict(X[0:5]))
输出
[1 2 3 4 5]
