Scikit Learn - Multinomial Naïve Bayes

É outro classificador Naïve Bayes útil. Ele pressupõe que os recursos são extraídos de uma distribuição multinomial simples. O Scikit-learn fornecesklearn.naive_bayes.MultinomialNB implementar o algoritmo Multinomial Naïve Bayes para classificação.

Parâmetros

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

Sr. Não	Parâmetro e Descrição
1	alpha - flutuante, opcional, padrão = 1,0 Ele representa o parâmetro de suavização aditivo. Se você escolher 0 como valor, não haverá suavização.
2	fit_prior - Booleano, opcional, padrão = verdadeiro Diz ao modelo se deve aprender as probabilidades anteriores da aula ou não. O valor padrão é True, mas se definido como False, os algoritmos usarão uma anterior uniforme.
3	class_prior - semelhante a matriz, tamanho (n_classes,), opcional, Padrão = Nenhum Este parâmetro representa as probabilidades anteriores de cada classe.

Atributos

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

Sr. Não	Atributos e descrição
1	class_log_prior_ - matriz, forma (n_classes,) Ele fornece a probabilidade de log suavizada para cada classe.
2	class_count_ - matriz, forma (n_classes,) Ele fornece o número real de exemplos de treinamento encontrados para cada classe.
3	intercept_ - matriz, forma (n_classes,) Estes são os espelhos class_log_prior_ para interpretar o modelo MultinomilaNB como um modelo linear.
4	feature_log_prob_ - matriz, forma (n_classes, n_features) Ele fornece o log empírico da probabilidade de características dadas uma classe $ P \ left (\ begin {array} {c} features \ arrowvert Y \ end {array} \ right) $.
5	coef_ - matriz, forma (n_classes, n_features) Estes são os espelhos feature_log_prior_ para interpretar o modelo MultinomilaNB como um modelo linear.
6	feature_count_ - matriz, forma (n_classes, n_features) Ele fornece o número real de exemplos de treinamento encontrados para cada (classe, recurso).

Os métodos de sklearn.naive_bayes. MultinomialNB são os mesmos que usamos em sklearn.naive_bayes.GaussianNB.

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.random.randint(8, size = (8, 100))
y = np.array([1, 2, 3, 4, 5, 6, 7, 8])

from sklearn.naive_bayes import MultinomialNB
MNBclf = MultinomialNB()
MNBclf.fit(X, y)

Resultado

MultinomialNB(alpha = 1.0, class_prior = None, fit_prior = True)

Agora, uma vez ajustado, podemos prever o novo valor aby usando o método predict () como segue -

Exemplo

print((MNBclf.predict(X[4:5]))

Resultado

[5]

↰ Previous page