Scikit Learn - 伯努利朴素贝叶斯

伯努利朴素贝叶斯是另一个有用的朴素贝叶斯模型。该模型的假设是特征本质上是二元的（0和1）。伯努利朴素贝叶斯分类的一个应用是使用“词袋”模型进行文本分类。Scikit-learn 提供了sklearn.naive_bayes.BernoulliNB 来实现用于分类的高斯朴素贝叶斯算法。

参数

下表列出了sklearn.naive_bayes.BernoulliNB 方法使用的参数：

序号	参数及描述
1	alpha − 浮点数，可选，默认值 = 1.0 它表示附加平滑参数。如果将其值选择为 0，则不会进行平滑。
2	binarize − 浮点数或 None，可选，默认值 = 0.0 使用此参数，我们可以设置样本特征二值化的阈值。这里的二值化意味着映射到布尔值。如果将其值选择为 None，则表示输入由二进制向量组成。
3	fit_prior − 布尔值，可选，默认值 = True 它告诉模型是否学习类先验概率。默认值为 True，但如果设置为 False，则算法将使用均匀先验。
4	class_prior − 类数组，大小 (n_classes,)，可选，默认值 = None 此参数表示每个类的先验概率。

属性

下表列出了sklearn.naive_bayes.BernoulliNB 方法使用的属性：

序号	属性及描述
1	class_log_prior_ − 数组，形状 (n_classes,) 它提供每个类的平滑对数概率。
2	class_count_ − 数组，形状 (n_classes,) 它提供为每个类遇到的实际训练样本数量。
3	feature_log_prob_ − 数组，形状 (n_classes, n_features) 它给出给定类别的特征的经验对数概率 $P\left(\begin{array}{c} features\arrowvert Y\end{array}\right)$。
4	feature_count_ − 数组，形状 (n_classes, n_features) 它提供为每个（类，特征）遇到的实际训练样本数量。

sklearn.naive_bayes.BernoulliNB 的方法与我们在sklearn.naive_bayes.GaussianNB 中使用的方法相同。

实现示例

下面的 Python 脚本将使用sklearn.naive_bayes.BernoulliNB 方法从我们的数据集中构建伯努利朴素贝叶斯分类器：

import numpy as np
X = np.random.randint(10, size = (10, 1000))
y = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
from sklearn.naive_bayes import BernoulliNB
BNBclf = BernoulliNB()
BNBclf.fit(X, y)

输出

BernoulliNB(alpha = 1.0, binarize = 0.0, class_prior = None, fit_prior = True)

现在，拟合后，我们可以使用 predict() 方法预测新值，如下所示：

示例

print((BNBclf.predict(X[0:5]))

输出

[1 2 3 4 5]

打印页面