Python sklearn GaussianNB用法及代码示例

本文简要介绍python语言中 sklearn.naive_bayes.GaussianNB 的用法。

用法:

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

高斯朴素贝叶斯 (GaussianNB)。

可以通过 partial_fit 在线更新模型参数。有关用于在线更新特征均值和方差的算法的详细信息，请参阅 Chan、Golub 和 LeVeque 撰写的斯坦福 CS 技术报告 STAN-CS-79-773：

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

在用户指南中阅读更多信息。

参数：

priors：形状类似数组 (n_classes,)

类的先验概率。如果指定，则不会根据数据调整先验。

var_smoothing：浮点数，默认=1e-9

为了计算稳定性而添加到方差中的所有特征的最大方差部分。

属性：

class_count_：ndarray 形状 (n_classes,)

在每个类中观察到的训练样本数。

class_prior_：ndarray 形状 (n_classes,)

每个类别的概率。

classes_：ndarray 形状 (n_classes,)

分类器已知的类标签。

epsilon_：浮点数

方差的绝对附加值。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

sigma_ndarray 形状(n_classes，n_features)

已弃用：属性 sigma_ 在 1.0 中已弃用，并将在 1.2 中删除。

var_：ndarray 形状(n_classes，n_features)

每个类的每个特征的方差。

theta_：ndarray 形状(n_classes，n_features)

每个类的每个特征的平均值。

例子：

>>> 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]