高斯朴素贝叶斯
sklearn.naive_bayes.GaussianNB(priors=None):
priors:array-like,shape(n_classes,)
类别的先验概率,如果指定则不会根据数据改变
属性:
class_prior_:array,shape(n_classes,)
每一类的概率
class_prior_:array,shape(n_classes,)
每一类的概率
class_count_:array,shape(n_classes,)
每一类的训练样本个数
每一类的训练样本个数
theta_:array,shape(n_classes,n_features)
每一类每个特征的均值
每一类每个特征的均值
sigma_:array,shape(n_classes,n_features)
每一类每个特征的方差
from sklearn.naive_bayes import GaussianNB
X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
Y = np.array([1, 1, 1, 2, 2, 2])
gnb = GaussianNB()
gnb.fit(X,Y)
print(gnb.class_count_)
#[3. 3.]
print(gnb.class_prior_)
#[0.5 0.5]
print(gnb.theta_)
#[[-2. -1.33333333]
#[ 2. 1.33333333]]
print(gnb.sigma_)
#[[0.66666667 0.22222223]
#[0.66666667 0.22222223]]
每一类每个特征的方差
from sklearn.naive_bayes import GaussianNB
X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
Y = np.array([1, 1, 1, 2, 2, 2])
gnb = GaussianNB()
gnb.fit(X,Y)
print(gnb.class_count_)
#[3. 3.]
print(gnb.class_prior_)
#[0.5 0.5]
print(gnb.theta_)
#[[-2. -1.33333333]
#[ 2. 1.33333333]]
print(gnb.sigma_)
#[[0.66666667 0.22222223]
#[0.66666667 0.22222223]]
fit(X,y[,sample_weight])
根据X,y训练高斯朴素贝叶斯模型
X:array-like,shape(n_samples,n_features).训练向量
y:array-like,shape(n_samples,)目标值
sample_weight:array-like,shape(n_samples),默认None
每个样本的权值
根据X,y训练高斯朴素贝叶斯模型
X:array-like,shape(n_samples,n_features).训练向量
y:array-like,shape(n_samples,)目标值
sample_weight:array-like,shape(n_samples),默认None
每个样本的权值
返回训练好的模型
get_params(deep=True):获得参数
partial_fit(X,y,classes=None,sample_weight=None):
每次用一批样本增量拟合,连续在不同的大量数据集上进行拟合。当数据集太大时推荐使用
X:array-like,shape(n_samples,n_features).训练向量
y:array-like,shape(n_samples,)目标值
classes:array-like,shape(n_classes,),默认None
可能出现在y向量中的所有类别的list。第一次使用partial_fit时需要给出
sample_weight:array-like,shape(n_samples),默认None
每次用一批样本增量拟合,连续在不同的大量数据集上进行拟合。当数据集太大时推荐使用
X:array-like,shape(n_samples,n_features).训练向量
y:array-like,shape(n_samples,)目标值
classes:array-like,shape(n_classes,),默认None
可能出现在y向量中的所有类别的list。第一次使用partial_fit时需要给出
sample_weight:array-like,shape(n_samples),默认None
返回训练好的模型
predict(X):对测试向量X分类预测
X:array-like,shape(n_samples,n_features)
X:array-like,shape(n_samples,n_features)