sklearn.naive_bayes.GaussianNB?

class sklearn.naive_bayes.GaussianNB(*, priors=None, var_smoothing=1e-09)

[源碼]

高斯樸素貝葉斯（GaussianNB）

可以在線更新模型參數partial_fit。有關用于在線更新特征均值和方差的算法的詳細信息，請參閱Chan，Golub和LeVeque撰寫的Stanford CS技術報告STAN-CS-79-773：

http://i.stanford.edu/pub/cstr/reports/cs/tr/79/773/CS-TR-79-773.pdf

在用戶指南中閱讀更多內容。

參數	說明
priors	array-like of shape (n_classes,) 類別的先驗概率。一經指定，不會根據數據進行調整。
var_smoothing	float, default=1e-9 所有特征的最大方差部分，添加到方差中用于提高計算穩定性。 0.20版中的新功能。

屬性	說明
class_count_	ndarray of shape (n_classes,) 每個類別中保留的訓練樣本數量。
class_prior_	ndarray of shape (n_classes,) 每個類別的概率。
classes_	ndarray of shape (n_classes,) 分類器已知的類別標簽
epsilon_	float 方差的絕對相加值
sigma_	ndarray of shape (n_classes, n_features) 每個類中每個特征的方差
theta_	ndarray of shape (n_classes, n_features) 每個類中每個特征的均值

示例

>>> import numpy as np
>>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
>>> Y = np.array([1, 1, 1, 2, 2, 2])
>>> from sklearn.naive_bayes import GaussianNB
>>> clf = GaussianNB()
>>> clf.fit(X, Y)
GaussianNB()
>>> print(clf.predict([[-0.8, -1]]))
[1]
>>> clf_pf = GaussianNB()
>>> clf_pf.partial_fit(X, Y, np.unique(Y))
GaussianNB()
>>> print(clf_pf.predict([[-0.8, -1]]))
[1]

方法

方法	說明
`fit`(X, y[, sample_weight])	根據X，y擬合高斯樸素貝葉斯
`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__(*, priors=None, var_smoothing=1e-09)

[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擬合高斯樸素貝葉斯

參數	說明
X	array-like 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）。版本0.17中的新功能：高斯樸素貝葉斯支持使用sample_weight進行擬合。

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 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）。版本0.17中的新功能。

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

該方法適用于簡單的估計器以及嵌套對象（例如pipelines）。后者具有形式參數<component>__<parameter>，以便可以更新嵌套對象的每個組件。

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.GaussianNB使用示例?