Python sklearn GaussianNB用法及代碼示例

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

用法:

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

高斯樸素貝葉斯 (GaussianNB)。

可以通過 partial_fit 在線更新模型參數。有關用於在線更新特征均值和方差的算法的詳細信息，請參閱 Chan、Golub 和 LeVeque 撰寫的斯坦福 CS 技術報告 STAN-CS-79-773：

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

在用戶指南中閱讀更多信息。

參數：

priors：形狀類似數組 (n_classes,)

類的先驗概率。如果指定，則不會根據數據調整先驗。

var_smoothing：浮點數，默認=1e-9

為了計算穩定性而添加到方差中的所有特征的最大方差部分。

屬性：

class_count_：ndarray 形狀 (n_classes,)

在每個類中觀察到的訓練樣本數。

class_prior_：ndarray 形狀 (n_classes,)

每個類別的概率。

classes_：ndarray 形狀 (n_classes,)

分類器已知的類標簽。

epsilon_：浮點數

方差的絕對附加值。

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。

sigma_ndarray 形狀(n_classes，n_features)

已棄用：屬性 sigma_ 在 1.0 中已棄用，並將在 1.2 中刪除。

var_：ndarray 形狀(n_classes，n_features)

每個類的每個特征的方差。

theta_：ndarray 形狀(n_classes，n_features)

每個類的每個特征的平均值。

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]