机器学习之朴树贝叶斯②——调库实现
文章目录
- 多项式朴素贝叶斯(MultinomialNB)
- 高斯朴素贝叶斯(GaussianNB)
多项式朴素贝叶斯(MultinomialNB)
sklearn.naive_bayes.MultinomialNB（alpha = 1.0，fit_prior = True，class_prior = None ）
参数:
- alpha ： float，optional（默认值= 1.0）
添加剂（拉普拉斯/ Lidstone）平滑参数（0表示无平滑）。 - fit_prior ： boolean，optional（default = True）
是否学习班级先验概率。如果为假，则使用统一的先验。 - class_prior ： 类似数组，大小（n_classes，），可选（默认=无）
类的先验概率。如果指定，则不根据数据调整先验。
属性：
- class_log_prior_ ： 数组，形状（n_classes，）
每个类的平滑经验对数概率。 - intercept_ ： array，shape（n_classes，）
class_log_prior_用于将MultinomialNB解释为线性模型的镜子。 - feature_log_prob_ ： 数组，形状（n_classes，n_features）
给出一个类的特征的经验对数概率，P(x_i|y)。 - coef_ ： 数组，形状（n_classes，n_features）
feature_log_prob_用于将MultinomialNB解释为线性模型的镜子。 - class_count_ ： 数组，形状（n_classes，）
在装配期间每个类遇到的样本数。提供时，该值由样品重量加权。 - feature_count_ ： 数组，形状（n_classes，n_features）
拟合期间每个（类，特征）遇到的样本数。提供时，该值由样品重量加权。
方法:
- fit(self, X, y[, sample_weight])------------ 根据X，y拟合朴素贝叶斯分类器
- get_params(self[, deep]) --------------------获取此估算工具的参数。
- partial_fit(self, X, y[, classes, sample_weight]) 增量拟合一批样品。
- predict(self, X) ----------------------------------对测试向量X的阵列执行分类。
- predict_log_proba（self，X） -------------返回测试向量X的对数概率估计值。
- predict_proba（self，X） --------------------测试向量X的返回概率估计。
- score（self，X，y [，sample_weight]）—返回给定测试数据和标签的平均精度。
- set_params（self，\ * \ * params） ----------设置此估算器的参数。
代码实现
#朴素贝叶斯实现形式
import pandas as pd
from sklearn.naive_bayes import MultinomialNB
df = pd.DataFrame([[0,1],[1,1],[2,1],[3,-1],[4,-1],
[5,-1],[6,1],[7,1],[8,1],[9,-1]])
# 得到X,Y
X = df[[0]]
Y = df[1]
model = MultinomialNB()
model.fit(X,Y)
print(Y.values.T)
print(model.predict(X))
效果展示
[ 1 1 1 -1 -1 -1 1 1 1 -1]
[1 1 1 1 1 1 1 1 1 1]
高斯朴素贝叶斯(GaussianNB)
sklearn.naive_bayes.GaussianNB（priors = None，var_smoothing = 1e-09 ）
参数:
- priors : array-like, shape (n_classes,)
类的先验概率。如果指定，则不根据数据调整先验。 - var_smoothing ： float，optional（default = 1e-9）
所有要素的最大方差的部分，添加到计算稳定性的方差中。
属性：
- class_prior_ ： array，shape（n_classes，）
每个班级的概率。 - class_count_ ： array，shape（n_classes，）
每个班级观察到的训练样本数量。 - theta_ ： array，shape（n_classes，n_features）
每个班级每个特征的平均值 - sigma_ ：array，shape（n_classes，n_features）
每个类的每个特征的方差 - epsilon_ ： float
方差的绝对附加值
方法:
- fit（self，X，y [，sample_weight]） ----------------根据X，y拟合高斯朴素贝叶斯
- get_params(self[, deep]) --------------------------------获取此估算工具的参数。
- partial_fit（self，X，y [，classes，sample_weight]） 增量拟合一批样品。
- predict（self，X） ----------------------------------------对测试向量X的阵列执行分类。
- predict_log_proba（self，X） ------------------------返回测试向量X的对数概率估计值。
- predict_proba（self，X） -------------------------------测试向量X的返回概率估计。
- score（self，X，y [，sample_weight]） -------------返回给定测试数据和标签的平均精度。
- set_params（self，\ * \ * params）--------------------设置此估算器的参数
代码实现
#朴素贝叶斯实现形式
import pandas as pd
from sklearn.naive_bayes import MultinomialNB,GaussianNB
df = pd.DataFrame([[0,1],[1,1],[2,1],[3,-1],[4,-1],
[5,-1],[6,1],[7,1],[8,1],[9,-1]])
# 得到X,Y
X = df[[0]]
Y = df[1]
model = GaussianNB()
model.fit(X,Y)
print(Y.values.T)
print(model.predict(X))
效果展示
[ 1 1 1 -1 -1 -1 1 1 1 -1]
[ 1 1 1 1 1 1 -1 -1 -1 1]