Scikit Learn - Bayes ingenuo multinomial

Es otro clasificador de Naïve Bayes útil. Asume que las características se extraen de una distribución multinomial simple. El Scikit-learn proporcionasklearn.naive_bayes.MultinomialNB implementar el algoritmo Multinomial Naïve Bayes para la clasificación.

Parámetros

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

No Señor	Descripción de parámetros
1	alpha - flotante, opcional, predeterminado = 1.0 Representa el parámetro de suavizado aditivo. Si elige 0 como valor, no habrá suavizado.
2	fit_prior - Booleano, opcional, predeterminado = verdadero Le dice al modelo si debe aprender las probabilidades previas de la clase o no. El valor predeterminado es Verdadero, pero si se establece en Falso, los algoritmos utilizarán un anterior uniforme.
3	class_prior - tipo matriz, tamaño (n_classes,), opcional, Predeterminado = Ninguno Este parámetro representa las probabilidades previas de cada clase.

Atributos

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

No Señor	Atributos y descripción
1	class_log_prior_ - matriz, forma (n_classes,) Proporciona la probabilidad logarítmica suavizada para cada clase.
2	class_count_ - matriz, forma (n_classes,) Proporciona el número real de muestras de formación encontradas para cada clase.
3	intercept_ - matriz, forma (n_classes,) Estos son los espejos class_log_prior_ para interpretar el modelo MultinomilaNB como un modelo lineal.
4	feature_log_prob_ - matriz, forma (n_classes, n_features) Da la probabilidad de registro empírico de características dada una clase $ P \ left (\ begin {array} {c} features \ arrowvert Y \ end {array} \ right) $.
5	coef_ - matriz, forma (n_classes, n_features) Estos son los espejos feature_log_prior_ para interpretar el modelo MultinomilaNB como un modelo lineal.
6	feature_count_ - matriz, forma (n_classes, n_features) Proporciona la cantidad real de muestras de entrenamiento encontradas para cada (clase, característica).

Los métodos de sklearn.naive_bayes. MultinomialNB son los mismos que hemos usado en sklearn.naive_bayes.GaussianNB.

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.random.randint(8, size = (8, 100))
y = np.array([1, 2, 3, 4, 5, 6, 7, 8])

from sklearn.naive_bayes import MultinomialNB
MNBclf = MultinomialNB()
MNBclf.fit(X, y)

Salida

MultinomialNB(alpha = 1.0, class_prior = None, fit_prior = True)

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

Ejemplo

print((MNBclf.predict(X[4:5]))

Salida

[5]

↰ Previous page