scikit-learn 朴素贝叶斯类库概述

最新推荐文章于 2023-05-31 20:59:14 发布

转载最新推荐文章于 2023-05-31 20:59:14 发布 · 619 阅读

sk源码专栏收录该内容

2 篇文章

订阅专栏

本文介绍了scikit-learn中的朴素贝叶斯分类器，包括GaussianNB、MultinomialNB和BernoulliNB三种类型。详细说明了每种分类器的应用场景，并通过一个具体的例子展示了如何使用GaussianNB进行训练和预测。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. scikit-learn 朴素贝叶斯类库概述

　　　　朴素贝叶斯是一类比较简单的算法，scikit-learn中朴素贝叶斯类库的使用也比较简单。相对于决策树，KNN之类的算法，朴素贝叶斯需要关注的参数是比较少的，这样也比较容易掌握。在scikit-learn中，一共有3个朴素贝叶斯的分类算法类。分别是GaussianNB，MultinomialNB和BernoulliNB。其中GaussianNB就是条件概率为高斯分布的朴素贝叶斯，MultinomialNB就是条件概率为多项式分布的朴素贝叶斯，而BernoulliNB就是条件概率为伯努利分布的朴素贝叶斯。

　　　　这三个类适用的分类场景各不相同，一般来说，如果样本特征的分布大部分是连续值，使用GaussianNB会比较好。如果如果样本特征的分大部分是多元离散值，使用MultinomialNB比较合适。而如果样本特征是二元离散值或者很稀疏的多元离散值，应该使用BernoulliNB。

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()
#拟合数据
clf.fit(X, Y)
print "==Predict result by predict=="
print(clf.predict([[-0.8, -1]]))
print "==Predict result by predict_proba=="
print(clf.predict_proba([[-0.8, -1]]))
print "==Predict result by predict_log_proba=="
print(clf.predict_log_proba([[-0.8, -1]]))