4.1 API : MultinomialNB、GaussianNB、BernoulliNB

1.MultinomialNB

假设特征的先验概率为多项式分布，多项式朴素贝叶斯分类器适用于具有离散特征的分类（例如，用于文本分类的字数统计）。多项式分布通常需要整数特征计数

from sklearn.naive_bayes import MultinomialNB

MultinomialNB(*, alpha=1.0, fit_prior=True, class_prior=None)

Parameters

alpha : float, default=1.0
贝叶斯估计所添加的参数，alpha=1.0时，为拉普拉斯平滑

fit_prior : bool, default=True
表示是否要学习先验概率，如果为False，则所有样本输出时使用统一的类别先验概率（1 / 类别数）。
如果为True时，则可以利用第三个参数class_piror输入先验概率，或者不输入第三个参数，可以从训练集中自己计算先验概率，此时，第k个类别的先验概率=第k个类别样本数 / 总的样本数

class_prior : array-like of shape (n_classes,), default=None
该类的先验概率。
如果指定了先验，则不会根据数据进行调整。

Attributes

class_count_ : ndarray of shape (n_classes,)
拟合期间每个类别遇到的样本数

class_log_prior_ ：ndarray of shape (n_classes, )
每个类的平滑经验对数概率

classes_ : ndarray of shape (n_classes,)
分类器已知的类标签

feature_count_ ： ndarray of shape (n_classes, n_features)
拟合期间每个（类，特征）遇到的样本数。

feature_log_prob_ : ndarray of shape (n_classes, n_features)
给定一类特征的经验对数概率，P(x_i|y)

n_features_ : int
每个样本的特征数

Methods

fit(X, y[, sample_weight])
根据X，y拟合朴素贝叶斯分类器

get_params([deep])
获得这个估计器的参数

partial_fit(X, y[, classes, sample_weight])
根据一批样本在线更新参数

predict(X)
对测试向量X进行分类。

predict_log_proba(X)
返回测试向量X的对数概率估计

predict_proba(X)
返回测试向量X的概率估计

score(X, y[, sample_weight])
返回给定测试数据和标签上的准确率

set_params(**params)
设置此估算器的参数。

实例

>>> import numpy as np
>>> rng = np.random.RandomState(1)
>>>