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]