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]