sklearn中的朴素贝叶斯

1. scikit-learn 朴素贝叶斯类库概述
   　　　　朴素贝叶斯是一类比较简单的算法，scikit-learn中朴素贝叶斯类库的使用也比较简单。相对于决策树，KNN之类的算法，朴素贝叶斯需要关注的参数是比较少的，这样也比较容易掌握。在scikit-learn中，一共有3个朴素贝叶斯的分类算法类。分别是GaussianNB，MultinomialNB和BernoulliNB。其中GaussianNB就是先验为高斯分布的朴素贝叶斯，MultinomialNB就是先验为多项式分布的朴素贝叶斯，而BernoulliNB就是先验为伯努利分布的朴素贝叶斯。

这三个类适用的分类场景各不相同，一般来说，如果样本特征的分布大部分是连续值，使用GaussianNB会比较好。如果如果样本特征的分大部分是多元离散值，使用MultinomialNB比较合适。而如果样本特征是二元离散值或者很稀疏的多元离散值，应该使用BernoulliNB。

2. GaussianNB类使用总结
   　　　　GaussianNB假设特征的先验概率为正态分布，即如下式：

P(Xj=xj|Y=Ck)=12πσ2k−−−−√exp(−(xj−μk)22σ2k)
　　　　其中$C_k$为Y的第k类类别。${\mu }_k和{\sigma }_k^2$为需要从训练集估计的值。

GaussianNB会根据训练集求出${\mu }_k和{\sigma }_k^2$。 ${\mu }_k$为在样本类别$C_k$中，所有$X_j$的平均值。${\sigma }_k^2$为在样本类别$C_k$中，所有$X_j$的方差。

GaussianNB类的主要参数仅有一个，即先验概率priors ，对应Y的各个类别的先验概率$P(Y=C_k)$。这个值默认不给出，如果不给出此时$P(Y=C_k)=m_k/m$。其中m为训练集样本总数量，$m_k$为输出为第k类别的训练集样本数。如果给出的话就以priors 为准。

在使用GaussianNB的fit方法拟合数据后，我们可以进行预测。此时预测有三种方法，包括predict，predict_log_proba和predict_proba。

predict方法就是我们最常用的预测方法，直接给出测试集的预测类别输出。

predict_proba则不同，它会给出测试集样本在各个类别上预测的概率。容易理解，predict_proba预测出的各个类别概率里的最大值对应的类别，也就是predict方法得到类别。

predict_log_proba和predict_proba类似，它会给出测试集样本在各个类别上预测的概率的一个对数转化。转化后predict_log_proba预测出的各个类别对数概率里的最大值对应的类别，也就是predict方法得到类别。

下面给一个具体的例子，代码如下,亦可见我的github：

import numpy as np
X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
Y = np.array([1, 1, 1, 2, 2, 2])
from sklearn.naive_bayes import GaussianNB
clf = GaussianNB()
#拟合数据
clf.fit(X, Y)
print “Predict result by predict”
print(clf.predict([[-0.8, -1]]))
print “Predict result by predict_proba”
print(clf.predict_proba([[-0.8, -1]]))
print “Predict result by predict_log_proba”
print(clf.predict_log_proba([[-0.8, -1]]))
　　　　结果如下：

Predict result by predict
[1]
Predict result by predict_proba
[[ 9.99999949e-01 5.05653254e-08]]
Predict result by predict_log_proba
[[ -5.05653266e-08 -1.67999998e+01]]
　　　　从上面的结果可以看出，测试样本[-0.8,-1]的类别预测为类别1。具体的测试样本[-0.8,-1]被预测为1的概率为9.99999949e-01 ，远远大于预测为2的概率5.05653254e-08。这也是为什么最终的预测结果为1的原因了。

此外，GaussianNB一个重要的功能是有 partial_fit方法，这个方法的一般用在如果训练集数据量非常大，一次不能全部载入内存的时候。这时我们可以把训练集分成若干等分，重复调用partial_fit来一步步的学习训练集，非常方便。后面讲到的MultinomialNB和BernoulliNB也有类似的功能。

3. MultinomialNB类使用总结
   　　　　MultinomialNB假设特征的先验概率为多项式分布，即如下式：

P(Xj=xjl|Y=Ck)=xjl+λmk+nλ
　　　　其中，$P(X_j=x_{jl}|Y=C_k)$是第k个类别的第j维特征的第l个个取值条件概率。$m_k$是训练集中输出为第k类的样本个数。$\lambda$ 为一个大于0的常数，常常取为1，即拉普拉斯平滑。也可以取其他值。

MultinomialNB参数比GaussianNB多，但是一共也只有仅仅3个。其中，参数alpha即为上面的常数$\lambda$，如果你没有特别的需要，用默认的1即可。如果发现拟合的不好，需要调优时，可以选择稍大于1或者稍小于1的数。布尔参数fit_prior表示是否要考虑先验概率，如果是false,则所有的样本类别输出都有相同的类别先验概率。否则可以自己用第三个参数class_prior输入先验概率，或者不输入第三个参数class_prior让MultinomialNB自己从训练集样本来计算先验概率，此时的先验概率为$P(Y=C_k)=m_k/m$。其中m为训练集样本总数量，$m_k$为输出为第k类别的训练集样本数。总结如下：

fit_prior class_prior 最终先验概率
false 填或者不填没有意义 $P(Y=C_k)=1/k$
true 不填 $P(Y=C_k)=m_k/m$
true 填 $P(Y=C_k) = $class_prior

在使用MultinomialNB的fit方法或者partial_fit方法拟合数据后，我们可以进行预测。此时预测有三种方法，包括predict，predict_log_proba和predict_proba。由于方法和GaussianNB完全一样，这里就不累述了。

4. BernoulliNB类使用总结
   　　　　BernoulliNB假设特征的先验概率为二元伯努利分布，即如下式：

P(Xj=xjl|Y=Ck)=P(j|Y=Ck)xjl+(1−P(j|Y=Ck)(1−xjl)
　　　　此时$l$只有两种取值。$x_{jl}$只能取值0或者1。

BernoulliNB一共有4个参数，其中3个参数的名字和意义和MultinomialNB完全相同。唯一增加的一个参数是binarize。这个参数主要是用来帮BernoulliNB处理二项分布的，可以是数值或者不输入。如果不输入，则BernoulliNB认为每个数据特征都已经是二元的。否则的话，小于binarize的会归为一类，大于binarize的会归为另外一类。

在使用BernoulliNB的fit或者partial_fit方法拟合数据后，我们可以进行预测。此时预测有三种方法，包括predict，predict_log_proba和predict_proba。由于方法和GaussianNB完全一样，这里就不累述了。

以上就是scikit-learn 朴素贝叶斯类库的使用的经验总结。希望可以帮到朋友们。[添加链接描述]

(https://blog.csdn.net/weixin_33843409/article/details/86228710?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase)