sklearn.naive_bayes.CategoricalNB?

class sklearn.naive_bayes.CategoricalNB(*, alpha=1.0, fit_prior=True, class_prior=None)

[源碼]

用于分類特征的樸素貝葉斯分類器

分類樸素貝葉斯分類器適用于具有分類分布的離散特征的分類。每個特征的類別均來自分類分布。

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
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
category_count_	list of arrays of shape (n_features,) 為每個要素保存形狀的數組（n_classes，各個要素的n_categories）。每個數組為每個類別和分類的特定特征提供遇到的樣本數量。
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_log_prob_	list of arrays of shape (n_features,) 為每個特征保形狀的數組（n_classes，各個要素的n_categories）。每個數組提供了給定各自特征和類別的分類的經驗對數概率`P(x_i\|y)`
n_features_	int 每個樣本的特征數量。

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, 5, 6])
>>> from sklearn.naive_bayes import CategoricalNB
>>> clf = CategoricalNB()
>>> clf.fit(X, y)
CategoricalNB()
>>> 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, 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。在此，假設X的每個特征都來自不同的分類分布。進一步假設每個特征的所有類別均由數字0，…，n-1表示，其中n表示給定特征的類別總數。例如，這可以在順序編碼（OrdinalEncoder）的幫助下實現。
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]

獲取這個估計量的參數。

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計器子對象。

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。

該方法需要對數據集的不同塊連續調用多次，以實現核外學習或在線學習。

當整個數據集太大而無法立即放入內存擬合時，這個功能特別有用。

這個方法具有一些性能消耗，因此最好對盡可能大的數據塊（只要適合內存預算）調用partial_fit以隱藏消耗。

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。在此，假設X的每個特征都來自不同的分類分布。進一步假設每個特征的所有類別均由數字0，…，n-1表示，其中n表示給定特征的類別總數。例如，這可以在順序編碼（OrdinalEncoder）的幫助下實現。
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別，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別，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