sklearn.naive_bayes.ComplementNB?

class sklearn.naive_bayes.ComplementNB（*，alpha = 1.0，fit_prior = True，class_prior = None，norm = False ）

[源碼]

在Rennie et al. (2003)中描述的補充樸素貝葉斯分類器。

補充樸素貝葉斯分類器旨在糾正標準多項樸素貝葉斯分類器所做的“嚴重假設”。它特別適合用于不平衡的數據集。

在用戶指南中閱讀更多內容。

0.20版中的新功能。

參數 說明
alpha float, default=1.0
附加的(Laplace/Lidstone)平滑參數(0表示不平滑)
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。
norm bool, default=False
是否對權重進行第二次標準化。默認行為反映了Mahout和Weka中的實現，這些實現未遵循本文表9中描述的完整算法。
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_all_ ndarray of shape (n_features,)
擬合期間每個特征遇到的樣本數。此值由提供的樣本權重加權。
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。此值由提供的樣本權重加權。
feature_log_prob_ ndarray of shape (n_classes, n_features)
類別補充的經驗權重
n_features_ int
每個樣本的特征數量。

參考文獻

Rennie, J. D., Shih, L., Teevan, J., & Karger, D. R. (2003). Tackling the poor assumptions of naive bayes text classifiers. In ICML (Vol. 3, pp. 616-623). https://people.csail.mit.edu/jrennie/papers/icml03-nb.pdf

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 ComplementNB
>>> clf = ComplementNB()
>>> clf.fit(X, y)
ComplementNB()
>>> 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, norm=False)

[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

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。
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]

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度。

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的真實值標簽
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]

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

sklearn.naive_bayes.ComplementNB使用示例?