机器学习-》统计学习方法02（刘建平老师的博客）关于朴素贝叶斯（NaiveBayes）

以下代码是关于刘建平老师博客的代码的详细注解

链接：

https://www.cnblogs.com/pinard/p/6074222.html

代码：

#关于朴素贝叶斯的算法
import numpy as np
from sklearn.naive_bayes import GaussianNB
#X是数据，Y是对应的Labels
X=np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])

Y = np.array([1, 1, 1, 2, 2, 2])


clf=GaussianNB()
# 使用fit拟合数据--》就是学习X，Y
clf.fit(X,Y)


#学习完毕
#开始测试
#使用三种预测方法：predict，predict_proba和predict_log_proba。
# 三者的 参数是一个array-like of shape --->(n_samples, n_features)

#①predict的预测是一个类
print("==Predict result by predict==")
c1=clf.predict([[-0.8,-1]])
print(c1)   #[1]--》predict此数据是label为1

#②predict_proba预测是一个概率（给出测试集样本在各个类别上预测的概率）
print("==Predict result by predict_proba==")
c2=clf.predict_proba([[-0.8,-1]])  #[[9.99999949e-01（是label为1的概率） 5.05653254e-08（是label为2的概率）]]
print(c2)

#③predict_log_proba预测（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）
print("==Predict result by predict_log_proba==")
c3=clf.predict_log_proba([[-0.8,-1]])   #[[-5.05653266e-08 -1.67999998e+01]]
print(c3)

结束