Scikit Learn - Multinomial Naïve Bayes
È un altro utile classificatore Naïve Bayes. Si assume che le caratteristiche siano tratte da una semplice distribuzione multinomiale. Lo Scikit-learn forniscesklearn.naive_bayes.MultinomialNB implementare l'algoritmo Multinomial Naïve Bayes per la classificazione.
Parametri
La tabella seguente è composta dai parametri utilizzati da sklearn.naive_bayes.MultinomialNB metodo -
| Suor n | Parametro e descrizione |
|---|---|
| 1 | alpha - float, opzionale, default = 1.0 Rappresenta il parametro additivo levigante. Se scegli 0 come valore, non ci sarà alcun livellamento. |
| 2 | fit_prior - Booleano, opzionale, predefinito = vero Indica al modello se apprendere o meno le probabilità a priori della classe. Il valore predefinito è True ma se impostato su False, gli algoritmi useranno una priorità uniforme. |
| 3 | class_prior - tipo array, dimensione (n_class,), opzionale, impostazione predefinita = Nessuno Questo parametro rappresenta le probabilità a priori di ciascuna classe. |
Attributi
La tabella seguente è costituita dagli attributi utilizzati da sklearn.naive_bayes.MultinomialNB metodo -
| Suor n | Attributi e descrizione |
|---|---|
| 1 | class_log_prior_ - array, forma (n_class,) Fornisce la probabilità di log smussata per ogni classe. |
| 2 | class_count_ - array, forma (n_class,) Fornisce il numero effettivo di campioni di addestramento riscontrati per ciascuna classe. |
| 3 | intercept_ - array, forma (n_class,) Questi sono i Mirrors class_log_prior_ per interpretare il modello MultinomilaNB come un modello lineare. |
| 4 | feature_log_prob_ - array, forma (n_class, n_features) Fornisce la probabilità logaritmica empirica delle caratteristiche data una classe $ P \ left (\ begin {array} {c} features \ arrowvert Y \ end {array} \ right) $. |
| 5 | coef_ - array, forma (n_class, n_features) Questi sono i Mirrors feature_log_prior_ per interpretare il modello MultinomilaNB come un modello lineare. |
| 6 | feature_count_ - array, forma (n_class, n_features) Fornisce il numero effettivo di campioni di addestramento incontrati per ciascuna (classe, caratteristica). |
I metodi di sklearn.naive_bayes. MultinomialNB sono gli stessi che abbiamo usato in sklearn.naive_bayes.GaussianNB.
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.random.randint(8, size = (8, 100))
y = np.array([1, 2, 3, 4, 5, 6, 7, 8])
from sklearn.naive_bayes import MultinomialNB
MNBclf = MultinomialNB()
MNBclf.fit(X, y)Produzione
MultinomialNB(alpha = 1.0, class_prior = None, fit_prior = True)Ora, una volta adattato, possiamo prevedere il nuovo valore utilizzando il metodo prediction () come segue:
Esempio
print((MNBclf.predict(X[4:5]))Produzione
[5]