Scikit Learn - Gaussian Naïve Bayes
Come suggerisce il nome, il classificatore gaussiano Naïve Bayes presume che i dati di ciascuna etichetta siano tratti da una semplice distribuzione gaussiana. Lo Scikit-learn forniscesklearn.naive_bayes.GaussianNB implementare l'algoritmo Gaussian Naïve Bayes per la classificazione.
Parametri
La tabella seguente è composta dai parametri utilizzati da sklearn.naive_bayes.GaussianNB metodo -
Suor n | Parametro e descrizione |
---|---|
1 | priors - tipo arrray, forma (n_classes) Rappresenta le probabilità a priori delle classi. Se specifichiamo questo parametro durante l'adattamento dei dati, le probabilità a priori non saranno giustificate in base ai dati. |
2 | Var_smoothing - float, opzionale, default = 1e-9 Questo parametro fornisce la parte della varianza maggiore delle caratteristiche che viene aggiunta alla varianza per stabilizzare il calcolo. |
Attributi
La tabella seguente è costituita dagli attributi utilizzati da sklearn.naive_bayes.GaussianNB metodo -
Suor n | Attributi e descrizione |
---|---|
1 | class_prior_ - array, forma (n_class,) Fornisce la probabilità di ogni classe. |
2 | class_count_ - array, forma (n_class,) Fornisce il numero effettivo di campioni di addestramento osservati in ogni classe. |
3 | theta_ - array, forma (n_class, n_features) Fornisce la media di ogni caratteristica per classe. |
4 | sigma_ - array, forma (n_class, n_features) Fornisce la varianza di ogni caratteristica per classe. |
5 | epsilon_ - galleggiante Questi sono il valore additivo assoluto della varianza. |
Metodi
La tabella seguente comprende i metodi utilizzati da sklearn.naive_bayes.GaussianNB metodo -
Suor n | Metodo e descrizione |
---|---|
1 | fit(self, X, y [, sample_weight]) Questo metodo si adatterà al classificatore gaussiano Naive Bayes secondo X e y. |
2 | get_params(self [, deep]) Con l'aiuto di questo metodo possiamo ottenere i parametri per questo stimatore. |
3 | partial_fit(self, X, y [, classes, sample_weight]) Questo metodo consente l'adattamento incrementale su un lotto di campioni. |
4 | predict(sé, X) Questo metodo eseguirà la classificazione su una matrice di vettori di prova X. |
5 | predict_log_proba(sé, X) Questo metodo restituirà le stime di probabilità logaritmica per il vettore di prova X. |
6 | predict_proba(sé, X) Questo metodo restituirà le stime di probabilità per il vettore di prova X. |
7 | score(self, X, y [, sample_weight]) Con questo metodo possiamo ottenere l'accuratezza media sui dati e sulle etichette dei test forniti. |
9 | set_params(self, \ * \ * params) Questo metodo ci permette di impostare i parametri di questo stimatore. |
Esempio di implementazione
Lo script Python di seguito utilizzerà sklearn.naive_bayes.GaussianNB metodo per costruire Gaussian Naïve Bayes Classifier dal nostro set di dati -
Esempio
import numpy as np
X = np.array([[-1, -1], [-2, -4], [-4, -6], [1, 2]])
Y = np.array([1, 1, 2, 2])
from sklearn.naive_bayes import GaussianNB
GNBclf = GaussianNB()
GNBclf.fit(X, Y)
Produzione
GaussianNB(priors = None, var_smoothing = 1e-09)
Ora, una volta adattato, possiamo prevedere il nuovo valore utilizzando il metodo prediction () come segue:
Esempio
print((GNBclf.predict([[-0.5, 2]]))
Produzione
[2]