sklearn.naive_bayes.BernoulliNB?

class sklearn.naive_bayes.BernoulliNB(*, alpha=1.0, binarize=0.0, fit_prior=True, class_prior=None)

[源碼]

用于多元伯努利模型的樸素貝葉斯分類器。

像MultinomialNB一樣，這個分類器也適用于離散數據。區別在于，MultinomialNB可處理多分類，但BernoulliNB是為二分類或布爾型函數而設計的。

在用戶指南中閱讀更多內容。

參數 說明
alpha float, default=1.0
附加的平滑參數(Laplace/Lidstone)，0是不平滑
binarize float or None, default=0.0
用于將樣本特征二值化（映射為布爾值）的閾值。如果為None，則假定輸入已經由二分類向量組成。
fit_prior bool, default=True
是否學習類別先驗概率。如果為False，將使用統一的先驗。
class_prior array-like of shape (n_classes,), default=None
類別的先驗概率。一經指定先驗概率不能隨著數據而調整。
屬性 說明
class_count_ ndarray of shape (n_classes)
擬合期間每個類別遇到的樣本數。此值由提供的樣本權重加權。
class_log_prior_ ndarray of shape (n_classes)
每個類別的對數概率（平滑）。
classes_ ndarray of shape (n_classes,)
分類器已知的類別標簽
feature_count_ ndarray of shape (n_classes, n_features)
擬合期間每個（類別，特征）遇到的樣本數。此值由提供的樣品權重加權。
feature_log_prob_ ndarray of shape (n_classes, n_features)
給定一類P(x_i / y)的特征的經驗對數概率。
n_features_ int
每個樣本的特征數量。

參考文獻

C.D. Manning, P. Raghavan and H. Schuetze (2008). Introduction to Information Retrieval. Cambridge University Press, pp. 234-265. https://nlp.stanford.edu/IR-book/html/htmledition/the-bernoulli-model-1.html

A. McCallum and K. Nigam (1998). A comparison of event models for naive Bayes text classification. Proc. AAAI/ICML-98 Workshop on Learning for Text Categorization, pp. 41-48.

V. Metsis, I. Androutsopoulos and G. Paliouras (2006). Spam filtering with naive Bayes – Which naive Bayes? 3rd Conf. on Email and Anti-Spam (CEAS).

示例

>>> import numpy as np
>>> rng = np.random.RandomState(1)
>>> X = rng.randint(5, size=(6, 100))
>>> Y = np.array([1, 2, 3, 4, 4, 5])
>>> from sklearn.naive_bayes import BernoulliNB
>>> clf = BernoulliNB()
>>> clf.fit(X, Y)
BernoulliNB()
>>> print(clf.predict(X[2:3]))
[3]

方法

方法 說明
fit(X, y[, sample_weight]) 根據X，y擬合樸素貝葉斯分類器
get_params([deep]) 獲取這個估計器的參數
partial_fit(X, y[, classes, sample_weight]) 對一批樣本進行增量擬合
predict(X) 對測試向量X進行分類。
predict_log_proba(X) 返回針對測試向量X的對數概率估計
predict_proba(X) 返回針對測試向量X的概率估計
score(X, y[, sample_weight]) 返回給定測試數據和標簽上的平均準確率。
set_params(**params) 為這個估計器設置參數 
__init__(*, alpha=1.0, binarize=0.0, fit_prior=True, class_prior=None)

[源碼]

初始化self。詳情可參閱 type（self）的幫助。

fit(X, y, sample_weight=None)

[源碼]

根據X，y擬合樸素貝葉斯分類器

參數 說明
X {array-like, sparse matrix} of shape (n_samples, n_features)
用于訓練的向量，其中n_samples是樣本數量，n_features是特征數量。
y array-like of shape (n_samples,)
目標值。
sample_weight array-like of shape (n_samples,), default=None
應用于單個樣本的權重（1.未加權）。
返回值 說明
self object 
get_params(deep=True)

[源碼]

獲取這個估計器的參數

參數 說明
deep bool, default=True
如果為True，則將返回這個估計器的參數和所包含的估算器子對象。
返回值 說明
params mapping of string to any
參數名稱映射到其值。		 
partial_fit(X, y, classes=None, sample_weight=None)

[源碼]

對一批樣本進行增量擬合.

參數 說明
X {array-like, sparse matrix} of shape (n_samples, n_features)
用于訓練的向量，其中n_samples是樣本數量，n_features是特征數量。
y array-like of shape (n_samples,)
目標值。
classes array-like of shape (n_classes), default=None
y向量中可能出現的所有類別的列表。

必須在第一次調用partial_fit時提供，在隨后的調用中可以省略。
sample_weight array-like of shape (n_samples,), default=None
應用于單個樣本的權重（1.未加權）。
返回值 說明
self object 
predict(X)

[源碼]

對測試向量X進行分類。

參數 說明
X array-like of shape (n_samples, n_features)
返回值 說明
C ndarray of shape (n_samples,)
X的預測目標值		 
predict_log_proba(X)

[源碼]

返回針對測試向量X的對數概率估計

參數 說明
X array-like of shape (n_samples, n_features)
返回值 說明
C array-like of shape (n_samples, n_classes)
返回模型中每個類別的樣本的對數概率。這些列按照排序順序對應于類，就像它們出現在屬性classes_中一樣。		 
predict_proba(X)

[源碼]

返回針對測試向量X的概率估計

參數 說明
X array-like of shape (n_samples, n_features)
返回值 說明
C array-like of shape (n_samples, n_classes)
返回模型中每個類別的樣本概率。這些列按照排序順序對應于類，就像它們出現在屬性classes_中一樣。		 
score(X, y, sample_weight=None)

[源碼]

返回給定測試數據和標簽上的平均準確率。

在多標簽分類中，這是子集準確性，這是一個嚴格的指標，因為您需要為每個樣本正確預測每個標簽集。

參數 說明
X array-like of shape (n_samples, n_features)
測試樣本
y array-like of shape (n_samples,) or (n_samples, n_outputs)
X的真實標簽
sample_weight array-like of shape (n_samples,), default=None
樣本權重
返回值 說明
score float
self.predict(X) 關于y的平均準確率。		 
set_params(**params)

[源碼]

為這個估計器設置參數。

參數 說明
**params dict
估計器參數。
返回值 說明
self object
估計器實例。