Scikit Learn - 多项朴素贝叶斯
这是另一个实用的朴素贝叶斯分类器。它假设特征服从简单的多项分布。Scikit-learn 提供了 sklearn.naive_bayes.MultinomialNB 来实现多项朴素贝叶斯分类算法。
参数
下表列出了 sklearn.naive_bayes.MultinomialNB 方法 − 使用的参数。
| Sr.No | 参数及说明 |
|---|---|
| 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 | 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。 |
| 3 | 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.MultinomialNB 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 | intercept_ −数组，形状为 (n_classes,) 这些是 class_log_prior_ 的镜像，用于将 MultinomilaNB 模型解释为线性模型。 |
| 4 | feature_log_prob_ − 数组，形状为 (n_classes, n_features) 它给出了给定类 $P\left(\begin{array}{c} features\arrowvert Y\end{array} ight)$ 的特征的经验对数概率。 |
| 5 | coef_ −数组，形状为 (n_classes, n_features) 这些是 feature_log_prior_ 的镜像，用于将 MultinomilaNB 模型解释为线性模型。 |
| 6 | 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 的方法。 MultinomialNB 与我们在 sklearn.naive_bayes.GaussianNB 中使用的相同。
实现示例
下面的 Python 脚本将使用 sklearn.naive_bayes.GaussianNB 方法从我们的数据集 − 构建高斯朴素贝叶斯分类器。
示例
import numpy as np X = np.random.randint(8, size = (8, 100)) y = np.array([1, 2, 3, 4, 5, 6, 7, 8]) from sklearn.naive_bayes import MultinomialNB MNBclf = MultinomialNB() MNBclf.fit(X, y)
输出
MultinomialNB(alpha = 1.0, class_prior = None, fit_prior = True)
现在，拟合完成后，我们可以使用 predict() 方法预测新值，如下所示 −
示例
print((MNBclf.predict(X[4:5]))
输出
[5]
