python机器学习之sklearn库（6.朴素贝叶斯算法，高斯、多项式、伯努利模型）

高斯分布模型

 

• 高斯模型API
  • from sklearn.naive_bayes import GaussianNB 
    • 参数：
      • prior：默认值表示自行根据数据计算先验概率。
      • - predict_proba(): 给出每一个测试集样本属于每个类别的概率，最大的就是分类结果
      • - predict_log_proba(): predict_proba的对数转化，最大的就是分类结果
  • 实例化模型对象的时候，我们不需要对高斯朴素贝叶斯类输入任何的参数，可以说是一个非常轻量级的类，操作非常容易。但过于简单也意味着贝叶斯没有太多的参数可以调整，因此贝叶斯算法的成长空间并不是太大，如果贝叶斯算法的效果不是太理想，我们一般都会考虑换模型。

多项式模型

多项式模型

• 介绍：
  • 与高斯分布相反，多项式模型主要适用于离散特征的概率计算，且sklearn的多项式模型不接受输入负值。虽然sk-learn中的多项式模型也可以被用作在连续性特征概率计算中，但是我们如果想要处理连续性变量则最好选择使用高斯模型。
    • 注意：因为多项式不接受负值的输入，所以如果样本数据的特征为数值型数据的话，务必要进行归一化处理保证特征数据中无负值出现！！！

• 原理：计算出一篇文章为某些类别的概率（文章是固定的，也就是说在该文章为前提下求出所属类别的概率，因此文章就是概率论中条件概率的条件