Python cuml.naive_bayes.CategoricalNB用法及代码示例

用法: class cuml.naive_bayes.CategoricalNB(*, alpha=1.0, fit_prior=True, class_prior=None, output_type=None, handle=None, verbose=False)

分类特征的朴素贝叶斯分类器分类朴素贝叶斯分类器适用于具有分类分布的离散特征的分类。每个特征的类别都是从分类分布中得出的。

参数：

alpha：浮点数，默认=1.0: Additive (Laplace/Lidstone) 平滑参数(0 表示无平滑)。
fit_prior：布尔，默认=真: 是否学习类先验概率。如果为 false，将使用统一的先验。
class_prior：array-like of shape (n_classes,), default=None: 类的先验概率。如果指定，则不会根据数据调整先验。
output_type：{‘input’, ‘cudf’, ‘cupy’, ‘numpy’, ‘numba’}，默认=无: 用于控制估计器的结果和属性的输出类型的变量。如果为 None，它将继承在模块级别设置的输出类型 cuml.global_settings.output_type 。有关详细信息，请参阅输出数据类型配置。
handle：cuml.Handle: 指定 cuml.handle 保存用于此模型中计算的内部 CUDA 状态。最重要的是，这指定了将用于模型计算的 CUDA 流，因此用户可以通过在多个流中创建句柄在不同的流中同时运行不同的模型。如果为 None，则创建一个新的。
verbose：int 或布尔值，默认=False: 设置日志记录级别。它必须是 cuml.common.logger.level_* 之一。有关详细信息，请参阅详细级别。

例子：

>>> import cupy as cp
>>> rng = cp.random.RandomState(1)
>>> X = rng.randint(5, size=(6, 100), dtype=cp.int32)
>>> y = cp.array([1, 2, 3, 4, 5, 6])
>>> from cuml.naive_bayes import CategoricalNB
>>> clf = CategoricalNB()
>>> clf.fit(X, y)
CategoricalNB()
>>> print(clf.predict(X[2:3]))
[3]

属性：

category_count_：ndarray 形状(n_features，n_classes，n_categories): n_categories 是所有特征的最高类别。该数组提供了针对特定特征的每个特征、类别和类别遇到的样本数。
class_count_：ndarray 形状 (n_classes,): 拟合期间每个类遇到的样本数。
class_log_prior_：ndarray 形状 (n_classes,): 每个类别的平滑经验对数概率。
classes_：ndarray 形状 (n_classes,): 分类器已知的类标签
feature_log_prob_：ndarray 形状(n_features，n_classes，n_categories): n_categories 是所有特征的最高类别。每个形状数组 (n_classes, n_categories) 提供给定相应特征和类别 P(x_i|y) 的类别的经验对数概率。当模型已使用稀疏数据训练时，此属性不可用。
n_features_：int: 每个样本的特征数。

相关用法

注：本文由纯净天空筛选整理自rapids.ai大神的英文原创作品 cuml.naive_bayes.CategoricalNB。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。