机器学习之朴树贝叶斯②——调库实现

多项式朴素贝叶斯(MultinomialNB)

sklearn.naive_bayes.MultinomialNB（alpha = 1.0，fit_prior = True，class_prior = None ）
参数:

• alpha ： float，optional（默认值= 1.0）
  添加剂（拉普拉斯/ Lidstone）平滑参数（0表示无平滑）。
• fit_prior ： boolean，optional（default = True）
  是否学习班级先验概率。如果为假，则使用统一的先验。
• class_prior ： 类似数组，大小（n_classes，），可选（默认=无）
  类的先验概率。如果指定，则不根据数据调整先验。

属性：

• class_log_prior_ ： 数组，形状（n_classes，）
  每个类的平滑经验对数概率。
• intercept_ ： array，shape（n_classes，）
  class_log_prior_用于将MultinomialNB解释为线性模型的镜子。
• feature_log_prob_ ： 数组，形状（n_classes，n_features）
  给出一个类的特征的经验对数概率，P(x_i|y)。
• coef_ ： 数组，形状（n_classes，n_features）
  feature_log_prob_用于将MultinomialNB解释为线性模型的镜子。
• class_count_ ： 数组，形状（n_classes，）
  在装配期间每个类遇到的样本数。提供时，该值由样品重量加权。
• feature_count_ ： 数组，形状（n_classes，n_features）
  拟合期间每个（类，特征）遇到的样本数。提供时，该值由样品重量加权。

方法:

• fit(self, X, y[, sample_weight])------------ 根据X，y拟合朴素贝叶斯分类器
• get_params(self[, deep]) --------------------获取此估算工具的参数。
• partial_fit(self, X, y[, classes, sample_weight]) 增量拟合一批样品。
• predict(self, X) ----------------------------------对测试向量X的阵列执行分类。
• predict_log_proba（self，X） -------------返回测试向量X的对数概率估计值。
• predict_proba（self，X） --------------------测试向量X的返回概率估计。
• score（self，X，y [，sample_weight]）—返回给定测试数据和标签的平均精度。
• set_params（self，\ * \ * params） ----------设置此估算器的参数。

代码实现

#朴素贝叶斯实现形式
import pandas as pd
from sklearn.naive_bayes import MultinomialNB

df = pd.DataFrame([[0,1],[1,1],[2,1],[3,-1],[4,-1],
                   [5,-1],[6,1],[7,1],[8,1],[9,-1]])
# 得到X,Y
X = df[[0]]
Y = df[1]

model = MultinomialNB()
model.fit(X,Y)

print(Y.values.T)
print(model.predict(X))

效果展示

[ 1  1  1 -1 -1 -1  1  1  1 -1]
[1 1 1 1 1 1 1 1 1 1]

高斯朴素贝叶斯(GaussianNB)

sklearn.naive_bayes.GaussianNB（priors = None，var_smoothing = 1e-09 ）
参数:

• priors : array-like, shape (n_classes,)
  类的先验概率。如果指定，则不根据数据调整先验。
• var_smoothing ： float，optional（default = 1e-9）
  所有要素的最大方差的部分，添加到计算稳定性的方差中。

属性：

• class_prior_ ： array，shape（n_classes，）
  每个班级的概率。
• class_count_ ： array，shape（n_classes，）
  每个班级观察到的训练样本数量。
• theta_ ： array，shape（n_classes，n_features）
  每个班级每个特征的平均值
• sigma_ ：array，shape（n_classes，n_features）
  每个类的每个特征的方差
• epsilon_ ： float
  方差的绝对附加值

方法:

• fit（self，X，y [，sample_weight]） ----------------根据X，y拟合高斯朴素贝叶斯
• get_params(self[, deep]) --------------------------------获取此估算工具的参数。
• partial_fit（self，X，y [，classes，sample_weight]） 增量拟合一批样品。
• predict（self，X） ----------------------------------------对测试向量X的阵列执行分类。
• predict_log_proba（self，X） ------------------------返回测试向量X的对数概率估计值。
• predict_proba（self，X） -------------------------------测试向量X的返回概率估计。
• score（self，X，y [，sample_weight]） -------------返回给定测试数据和标签的平均精度。
• set_params（self，\ * \ * params）--------------------设置此估算器的参数

代码实现

#朴素贝叶斯实现形式
import pandas as pd
from sklearn.naive_bayes import MultinomialNB,GaussianNB

df = pd.DataFrame([[0,1],[1,1],[2,1],[3,-1],[4,-1],
                   [5,-1],[6,1],[7,1],[8,1],[9,-1]])
# 得到X,Y
X = df[[0]]
Y = df[1]

model = GaussianNB()
model.fit(X,Y)

print(Y.values.T)
print(model.predict(X))

效果展示

[ 1  1  1 -1 -1 -1  1  1  1 -1]
[ 1  1  1  1  1  1 -1 -1 -1  1]