Scikit Learn - Gaussian Naïve Bayes

Como o nome sugere, o classificador Gaussian Naïve Bayes assume que os dados de cada rótulo são extraídos de uma distribuição Gaussiana simples. O Scikit-learn fornecesklearn.naive_bayes.GaussianNB implementar o algoritmo Gaussian Naïve Bayes para classificação.

Parâmetros

A tabela a seguir consiste nos parâmetros usados ​​por sklearn.naive_bayes.GaussianNB método -

Sr. Não Parâmetro e Descrição
1

priors - tipo arranjo, forma (n_classes)

Representa as probabilidades anteriores das classes. Se especificarmos este parâmetro ao ajustar os dados, então as probabilidades anteriores não serão justificadas de acordo com os dados.
2

Var_smoothing - flutuante, opcional, padrão = 1e-9

Este parâmetro fornece a parte da maior variação dos recursos que é adicionada à variação para estabilizar o cálculo.

Atributos

A tabela a seguir consiste nos atributos usados ​​por sklearn.naive_bayes.GaussianNB método -

Sr. Não Atributos e descrição
1

class_prior_ - matriz, forma (n_classes,)

Ele fornece a probabilidade de cada classe.
2

class_count_ - matriz, forma (n_classes,)

Ele fornece o número real de amostras de treinamento observadas em cada aula.
3

theta_ - matriz, forma (n_classes, n_features)

Ele fornece a média de cada recurso por classe.
4

sigma_ - matriz, forma (n_classes, n_features)

Ele fornece a variação de cada recurso por classe.
5

epsilon_ - flutuar

Estes são os valores aditivos absolutos para a variância.

Métodos

A tabela a seguir consiste nos métodos usados ​​por sklearn.naive_bayes.GaussianNB método -

Sr. Não Método e Descrição
1

fit(self, X, y [, sample_weight])

Este método ajustará o classificador Gaussian Naive Bayes de acordo com X e y.
2

get_params(auto [, profundo])

Com a ajuda deste método podemos obter os parâmetros para este estimador.
3

partial_fit(self, X, y [, classes, sample_weight])

Este método permite o ajuste incremental em um lote de amostras.
4

predict(próprio, X)

Este método realizará a classificação em uma matriz de vetores de teste X.
5

predict_log_proba(próprio, X)

Este método retornará as estimativas de log-probabilidade para o vetor de teste X.
6

predict_proba(próprio, X)

Este método retornará as estimativas de probabilidade para o vetor de teste X.
7

score(self, X, y [, sample_weight])

Com esse método, podemos obter a precisão média dos dados e rótulos de teste fornecidos.
9

set_params(self, \ * \ * params)

Este método nos permite definir os parâmetros deste estimador.

Exemplo de Implementação

O script Python abaixo usará sklearn.naive_bayes.GaussianNB método para construir o classificador Gaussian Naïve Bayes de nosso conjunto de dados -

Exemplo

import numpy as np
X = np.array([[-1, -1], [-2, -4], [-4, -6], [1, 2]])
Y = np.array([1, 1, 2, 2])
from sklearn.naive_bayes import GaussianNB
GNBclf = GaussianNB()
GNBclf.fit(X, Y)

Resultado

GaussianNB(priors = None, var_smoothing = 1e-09)

Agora, uma vez ajustado, podemos prever o novo valor usando o método predict () da seguinte forma -

Exemplo

print((GNBclf.predict([[-0.5, 2]]))

Resultado

[2]