中文翻译sklearn.naive_bayes.MultinomialNB

最新推荐文章于 2025-01-14 15:50:24 发布

翻译最新推荐文章于 2025-01-14 15:50:24 发布 · 2.4k 阅读

收录于

小白学机器学习

本文介绍了针对多项式模型的朴素贝叶斯分类器，它适合离散特征的分类问题，如文本分类中的单词计数，虽要求特征计数为整数，但tf - idf分数计数也可能有效。还阐述了其参数、属性、方法等内容，并给出相关示例。

官方定义¹

class sklearn.naive_bayes.MultinomialNB(alpha = 1.0, fit_prior= True, class_prior= None)
概念解释

针对多项式模型的朴素贝叶斯（Naive Bayes）分类器。

多项式朴素贝叶斯分类器适合离散特征的分类问题。（例如：文本分类中的单词计数）。

多项式分布一般要求特征计数是整数。然而，实际应用中，如tf-idf这种分数计数也可能有效。

更多细节见：Multinomial Naive Bayes。

Parameters	数据类型	意义
alpha	float, optional (default=1.0)	附加的平滑参数（Laplace/Lidstone），0是不平滑
fit_prior	boolean, optional (default=True)	不管是否是学习经典先验概率，如果False则采用uniform先验
class_prior	array-like, size (n_classes,), optional (default=None)	类别的先验概率，一经指定先验概率不能随着数据而调整

Attributes	数据类型	意义
class_log_prior_	array,shape (n_classes, )	平滑的经验对数概率
intercept_	array, shape (n_classes, )	`class_log_prior_`的镜像将MultinomialNB解释为线性模型
featur_log_prob_	array, shape (n_classes, n_features)	j特征的经验对数概率`P(x_i\|y)`
coef_	array, shape (n_classes, n_features)	`feature_log_prob_`镜像用于将MultinomialNB解释为线性模型
class_count_	array, shape (n_classes,)	拟合过程中每个类遇到的样本数，这个值用给定的权重值作为权重
feature_count_	array, shape (n_classes, n_features)	拟合过程中每个（类、特征）遇到的样本数，这个值用给定的权重值作为权重

关于coef_ and intercept_背后的原理，即Naive Bayes作为一个线性分类器，参见J. Rennie et al. (2003), Tackling the poor assumptions of naive Bayes text classifiers, ICML.

方法Methods
1. fit(self, X, y[, sample_weight])
  
  根据X，y拟合NB分类器
2. get_params(self[, deep])
  
  获取这个评估器的参数
3. partial_fit(self, X, y[, classes, sample_weight])
  
  对一批样本进行增量拟合
4. predict(self, X)
  
  在测试向量X构成的数组上演示分类性能
5. predict_log_proba(self, X)
  
  返回针对测试向量X的对数概率估算
6. predict_proba(self, X)
  
  返回针对测试向量X的概率估算
7. score(self, X, y[, sample_weight])
  
  返回针对特殊样本的准确性
8. set_params(self, **params)
  
  为此评估器设置参数
Examples
1. Out-of-core classification of text documents
2. Classification of text documents using sparse features