Scikit-learn——Naive Bayes

本文详细介绍了在sklearn库中如何应用朴素贝叶斯模型,包括离散型的MultinomialNB和连续型的GaussianNB。MultinomialNB适用于词频等离散特征的分类任务,而GaussianNB假设特征服从高斯分布进行连续型数据的处理。此外,还提及了BernoulliNB,特别适合处理伯努利分布的二元特征。
摘要由CSDN通过智能技术生成

本文主要介绍sklearn中关于朴素贝叶斯模型的用法,其中主要包含以下两类模型:

  • 离散型:所有维度的特征都是离散型的随机变量
  • 连续型:所有维度的特征都是连续型的随机变量

1.sklearn.naive_bayes.MultinomialNB

多项式朴素贝叶斯(Multinomial Naive Bayes),即所有特征都是离散型的随机变量(例如在做文本分类时所使用的词向量就是离散型的).在sklearn中,这个方法的名称为MultinaomialNB.其相关信息如下:

参数表 含义
alpha 平滑项;浮点型,默认值为1,即拉普拉斯平滑
fit_prior 是否学习先验概率;布尔型,默认值为True.若为false,将使用均匀分布作为先验概率
class_prior 指定先验概率;默认为不指定

注:在sklearn中,计算先验概率时并没有加入平滑项

属性表 含义
class_log_prior_ 先验概率取自然对数
class_count_
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值