Scikit Learn - Bayes ingenuo gaussiano

Como sugiere el nombre, el clasificador Gaussiano Naïve Bayes supone que los datos de cada etiqueta se extraen de una distribución gaussiana simple. El Scikit-learn proporcionasklearn.naive_bayes.GaussianNB implementar el algoritmo Gaussiano Naïve Bayes para la clasificación.

Parámetros

La siguiente tabla consta de los parámetros utilizados por sklearn.naive_bayes.GaussianNB método -

No Señor	Descripción de parámetros
1	priors - tipo arrray, forma (n_classes) Representa las probabilidades previas de las clases. Si especificamos este parámetro al ajustar los datos, las probabilidades previas no se justificarán de acuerdo con los datos.
2	Var_smoothing - flotante, opcional, predeterminado = 1e-9 Este parámetro proporciona la parte de la mayor varianza de las características que se agrega a la varianza para estabilizar el cálculo.

Atributos

La siguiente tabla consta de los atributos utilizados por sklearn.naive_bayes.GaussianNB método -

No Señor	Atributos y descripción
1	class_prior_ - matriz, forma (n_classes,) Proporciona la probabilidad de cada clase.
2	class_count_ - matriz, forma (n_classes,) Proporciona el número real de muestras de entrenamiento observadas en cada clase.
3	theta_ - matriz, forma (n_classes, n_features) Da la media de cada característica por clase.
4	sigma_ - matriz, forma (n_classes, n_features) Da la variación de cada característica por clase.
5	epsilon_ - flotar Estos son el valor aditivo absoluto de la varianza.

Métodos

La siguiente tabla consta de los métodos utilizados por sklearn.naive_bayes.GaussianNB método -

No Señor	Método y descripción
1	fit(yo, X, y [, peso_muestra]) Este método se ajustará al clasificador Gaussiano Naive Bayes de acuerdo con X e y.
2	get_params(yo [, profundo]) Con la ayuda de este método podemos obtener los parámetros de este estimador.
3	partial_fit(yo, X, y [, clases, peso_muestra]) Este método permite el ajuste incremental en un lote de muestras.
4	predict(yo, X) Este método realizará la clasificación en una matriz de vectores de prueba X.
5	predict_log_proba(yo, X) Este método devolverá las estimaciones logarítmicas de probabilidad para el vector de prueba X.
6	predict_proba(yo, X) Este método devolverá las estimaciones de probabilidad para el vector de prueba X.
7	score(yo, X, y [, peso_muestra]) Con este método podemos obtener la precisión media en las etiquetas y los datos de prueba dados.
9	set_params(yo, \ * \ * params) Este método nos permite establecer los parámetros de este estimador.

Ejemplo de implementación

La secuencia de comandos de Python a continuación utilizará sklearn.naive_bayes.GaussianNB método para construir el Clasificador Gaussiano Naïve Bayes a partir de nuestro conjunto de datos -

Ejemplo

import numpy as np
X = np.array([[-1, -1], [-2, -4], [-4, -6], [1, 2]])
Y = np.array([1, 1, 2, 2])
from sklearn.naive_bayes import GaussianNB
GNBclf = GaussianNB()
GNBclf.fit(X, Y)

Salida

GaussianNB(priors = None, var_smoothing = 1e-09)

Ahora, una vez ajustado, podemos predecir el nuevo valor utilizando el método predict () de la siguiente manera:

Ejemplo

print((GNBclf.predict([[-0.5, 2]]))

Salida

[2]

↰ Previous page