Python sklearn CategoricalNB用法及代碼示例

本文簡要介紹python語言中 sklearn.naive_bayes.CategoricalNB 的用法。

用法:

class sklearn.naive_bayes.CategoricalNB(*, alpha=1.0, fit_prior=True, class_prior=None, min_categories=None)

用於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。

在用戶指南中閱讀更多信息。

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：形狀類似數組 (n_classes,)，默認=無

類的先驗概率。如果指定，則不會根據數據調整先驗。

min_categories：int 或類似數組的形狀 (n_features,)，默認=無

每個特征的最小類別數。

• integer：將每個特征的最小類別數設置為每個特征的n_categories。
• 類似數組：形狀 (n_features,) 其中 n_categories[i] 保存輸入第 i 列的最小類別數。
• 無(默認)：根據訓練數據自動確定類別數。

屬性：

category_count_：形狀數組列表 (n_features,)

保存每個特征的形狀數組(n_classes，n_categories 的相應特征)。每個數組提供特定特征的每個類別和類別遇到的樣本數量。

class_count_：ndarray 形狀 (n_classes,)

擬合期間每個類遇到的樣本數。該值在提供時按樣品重量加權。

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_：形狀數組列表 (n_features,)

保存每個特征的形狀數組(n_classes，n_categories 的相應特征)。每個數組提供給定相應特征和類別的類別的經驗對數概率，P(x_i|y)。

n_features_int

已棄用：屬性 n_features_ 在版本 1.0 中已棄用，並將在 1.2 中刪除。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

n_categories_：ndarray 形狀 (n_features,), dtype=np.int64

每個函數的類別數。該值是從數據中推斷出來的或由最小類別數設置的。

例子：

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