Python sklearn ComplementNB用法及代碼示例

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

用法:

class sklearn.naive_bayes.ComplementNB(*, alpha=1.0, fit_prior=True, class_prior=None, norm=False)

Rennie 等人說明的 Complement Naive Bayes 分類器。 (2003 年)。

Complement Naive Bayes 分類器旨在糾正由標準多項式 Naive Bayes 分類器生成的“severe assumptions”。它特別適用於不平衡的數據集。

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

僅用於訓練集中單個類的邊情況。

class_prior：形狀類似數組 (n_classes,)，默認=無

類的先驗概率。未使用。

norm：布爾，默認=假

是否執行權重的第二次歸一化。默認行為反映了 Mahout 和 Weka 中的實現，它們不遵循本文表 9 中說明的完整算法。

屬性：

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。僅用於訓練集中單個類的邊情況。

classes_：ndarray 形狀 (n_classes,)

分類器已知的類標簽

coef_ndarray 形狀(n_classes，n_features)

已棄用：屬性 coef_ 在 0.24 版本中已棄用，並將在 1.1 中刪除(重命名為 0.26)。

feature_all_：ndarray 形狀 (n_features,)

擬合期間每個特征遇到的樣本數。該值在提供時按樣品重量加權。

feature_count_：ndarray 形狀(n_classes，n_features)

擬合期間每個(類、特征)遇到的樣本數。該值在提供時按樣品重量加權。

feature_log_prob_：ndarray 形狀(n_classes，n_features)

類補的經驗權重。

intercept_ndarray 形狀 (n_classes,)

已棄用：屬性 intercept_ 在 0.24 版本中已棄用，並將在 1.1 中刪除(重命名為 0.26)。

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。

參考：

Rennie, J. D.、Shih, L.、Teevan, J. 和 Karger, D. R. (2003)。解決樸素貝葉斯文本分類器的不良假設。在 ICML(第 3 卷，第 616-623 頁)中。https://people.csail.mit.edu/jrennie/papers/icml03-nb.pdf

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 ComplementNB
>>> clf = ComplementNB()
>>> clf.fit(X, y)
ComplementNB()
>>> print(clf.predict(X[2:3]))
[3]