Python cuml.naive_bayes.CategoricalNB用法及代碼示例

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

分類特征的樸素貝葉斯分類器分類樸素貝葉斯分類器適用於具有分類分布的離散特征的分類。每個特征的類別都是從分類分布中得出的。

參數：

alpha：浮點數，默認=1.0: Additive (Laplace/Lidstone) 平滑參數(0 表示無平滑)。
fit_prior：布爾，默認=真: 是否學習類先驗概率。如果為 false，將使用統一的先驗。
class_prior：array-like of shape (n_classes,), default=None: 類的先驗概率。如果指定，則不會根據數據調整先驗。
output_type：{‘input’, ‘cudf’, ‘cupy’, ‘numpy’, ‘numba’}，默認=無: 用於控製估計器的結果和屬性的輸出類型的變量。如果為 None，它將繼承在模塊級別設置的輸出類型 cuml.global_settings.output_type 。有關詳細信息，請參閱輸出數據類型配置。
handle：cuml.Handle: 指定 cuml.handle 保存用於此模型中計算的內部 CUDA 狀態。最重要的是，這指定了將用於模型計算的 CUDA 流，因此用戶可以通過在多個流中創建句柄在不同的流中同時運行不同的模型。如果為 None，則創建一個新的。
verbose：int 或布爾值，默認=False: 設置日誌記錄級別。它必須是 cuml.common.logger.level_* 之一。有關詳細信息，請參閱詳細級別。

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]

屬性：

category_count_：ndarray 形狀(n_features，n_classes，n_categories): n_categories 是所有特征的最高類別。該數組提供了針對特定特征的每個特征、類別和類別遇到的樣本數。
class_count_：ndarray 形狀 (n_classes,): 擬合期間每個類遇到的樣本數。
class_log_prior_：ndarray 形狀 (n_classes,): 每個類別的平滑經驗對數概率。
classes_：ndarray 形狀 (n_classes,): 分類器已知的類標簽
feature_log_prob_：ndarray 形狀(n_features，n_classes，n_categories): n_categories 是所有特征的最高類別。每個形狀數組 (n_classes, n_categories) 提供給定相應特征和類別 P(x_i|y) 的類別的經驗對數概率。當模型已使用稀疏數據訓練時，此屬性不可用。
n_features_：int: 每個樣本的特征數。

相關用法

注：本文由純淨天空篩選整理自rapids.ai大神的英文原創作品 cuml.naive_bayes.CategoricalNB。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。