sklearn.naive_bayes.BernoulliNB

class sklearn.naive_bayes.BernoulliNB(*, alpha=1.0, binarize=0.0, fit_prior=True, class_prior=None)

[源码]

用于多元伯努利模型的朴素贝叶斯分类器。

像MultinomialNB一样，这个分类器也适用于离散数据。区别在于，MultinomialNB可处理多分类，但BernoulliNB是为二分类或布尔型函数而设计的。

在用户指南中阅读更多内容。

参数 说明
alpha float, default=1.0
附加的平滑参数(Laplace/Lidstone)，0是不平滑
binarize float or None, default=0.0
用于将样本特征二值化（映射为布尔值）的阈值。如果为None，则假定输入已经由二分类向量组成。
fit_prior bool, default=True
是否学习类别先验概率。如果为False，将使用统一的先验。
class_prior array-like of shape (n_classes,), 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。
属性 说明
class_count_ ndarray of shape (n_classes)
拟合期间每个类别遇到的样本数。此值由提供的样本权重加权。
class_log_prior_ ndarray of shape (n_classes)
每个类别的对数概率（平滑）。
classes_ ndarray of shape (n_classes,)
分类器已知的类别标签
feature_count_ ndarray of shape (n_classes, n_features)
拟合期间每个（类别，特征）遇到的样本数。此值由提供的样品权重加权。
feature_log_prob_ ndarray of shape (n_classes, n_features)
给定一类P(x_i / y)的特征的经验对数概率。
n_features_ int
每个样本的特征数量。

参考文献

C.D. Manning, P. Raghavan and H. Schuetze (2008). Introduction to Information Retrieval. Cambridge University Press, pp. 234-265. https://nlp.stanford.edu/IR-book/html/htmledition/the-bernoulli-model-1.html

A. McCallum and K. Nigam (1998). A comparison of event models for naive Bayes text classification. Proc. AAAI/ICML-98 Workshop on Learning for Text Categorization, pp. 41-48.

V. Metsis, I. Androutsopoulos and G. Paliouras (2006). Spam filtering with naive Bayes – Which naive Bayes? 3rd Conf. on Email and Anti-Spam (CEAS).

示例

>>> import numpy as np
>>> rng = np.random.RandomState(1)
>>> X = rng.randint(5, size=(6, 100))
>>> Y = np.array([1, 2, 3, 4, 4, 5])
>>> from sklearn.naive_bayes import BernoulliNB
>>> clf = BernoulliNB()
>>> clf.fit(X, Y)
BernoulliNB()
>>> print(clf.predict(X[2:3]))
[3]

方法

方法 说明
fit(X, y[, sample_weight]) 根据X，y拟合朴素贝叶斯分类器
get_params([deep]) 获取这个估计器的参数
partial_fit(X, y[, classes, sample_weight]) 对一批样本进行增量拟合
predict(X) 对测试向量X进行分类。
predict_log_proba(X) 返回针对测试向量X的对数概率估计
predict_proba(X) 返回针对测试向量X的概率估计
score(X, y[, sample_weight]) 返回给定测试数据和标签上的平均准确率。
set_params(**params) 为这个估计器设置参数 
__init__(*, alpha=1.0, binarize=0.0, fit_prior=True, class_prior=None)

[源码]

初始化self。详情可参阅 type（self）的帮助。

fit(X, y, sample_weight=None)

[源码]

根据X，y拟合朴素贝叶斯分类器

参数 说明
X {array-like, sparse matrix} of shape (n_samples, n_features)
用于训练的向量，其中n_samples是样本数量，n_features是特征数量。
y array-like of shape (n_samples,)
目标值。
sample_weight array-like of shape (n_samples,), default=None
应用于单个样本的权重（1.未加权）。
返回值 说明
self object 
get_params(deep=True)

[源码]

获取这个估计器的参数

参数 说明
deep bool, default=True
如果为True，则将返回这个估计器的参数和所包含的估算器子对象。
返回值 说明
params mapping of string to any
参数名称映射到其值。		 
partial_fit(X, y, classes=None, sample_weight=None)

[源码]

对一批样本进行增量拟合.

参数 说明
X {array-like, sparse matrix} of shape (n_samples, n_features)
用于训练的向量，其中n_samples是样本数量，n_features是特征数量。
y array-like of shape (n_samples,)
目标值。
classes array-like of shape (n_classes), default=None
y向量中可能出现的所有类别的列表。

必须在第一次调用partial_fit时提供，在随后的调用中可以省略。
sample_weight array-like of shape (n_samples,), default=None
应用于单个样本的权重（1.未加权）。
返回值 说明
self object 
predict(X)

[源码]

对测试向量X进行分类。

参数 说明
X array-like of shape (n_samples, n_features)
返回值 说明
C ndarray of shape (n_samples,)
X的预测目标值		 
predict_log_proba(X)

[源码]

返回针对测试向量X的对数概率估计

参数 说明
X array-like of shape (n_samples, n_features)
返回值 说明
C array-like of shape (n_samples, n_classes)
返回模型中每个类别的样本的对数概率。这些列按照排序顺序对应于类，就像它们出现在属性classes_中一样。		 
predict_proba(X)

[源码]

返回针对测试向量X的概率估计

参数 说明
X array-like of shape (n_samples, n_features)
返回值 说明
C array-like of shape (n_samples, n_classes)
返回模型中每个类别的样本概率。这些列按照排序顺序对应于类，就像它们出现在属性classes_中一样。		 
score(X, y, sample_weight=None)

[源码]

返回给定测试数据和标签上的平均准确率。

在多标签分类中，这是子集准确性，这是一个严格的指标，因为您需要为每个样本正确预测每个标签集。

参数 说明
X array-like of shape (n_samples, n_features)
测试样本
y array-like of shape (n_samples,) or (n_samples, n_outputs)
X的真实标签
sample_weight array-like of shape (n_samples,), default=None
样本权重
返回值 说明
score float
self.predict(X) 关于y的平均准确率。		 
set_params(**params)

[源码]

为这个估计器设置参数。

参数 说明
**params dict
估计器参数。
返回值 说明
self object
估计器实例。