Naive Buchten Trainiere diskrete Features (int erforderlich)
alpha:float, optional ->Glättungsparameter(Standard ist 1.0)
fit_prior:boolean ->Gibt an, ob Klassenwahrscheinlichkeiten verwendet werden sollen
class_prior:array-like, size=[n_classes] -> Prior probabilities of the classes
example
import numpy as np
# 0~Zufall zwischen 5 und Größe 6*100 Array([[Die ersten 100],…,[6. 100]])
X = np.random.randint(5, size=(6, 100)) #Lehrerdaten
Y = np.array([1,2,3,4,5,6]) #Klasse-> X[0]Ist Klasse 1, X[2]Ist wie Klasse 3
from sklearn.naive_bayes import MultinomialNB
#Naive Buchten Klasse
clf = MultinomialNB()
#Lernen
clf.fit(X, Y) # MultinomialNB(alpha=1.0, class_prior=None, fit_prior=True)Ist zurück gekommen
print(clf.predict(X[2])) # ->OK, wenn 3 zurückkommt
Methodennotiz
fit(X,Y) Generation des Lernenden X-> Lehrerdaten, spärliches Array. Anzahl der Proben * Anzahl der Funktionen Es scheint, dass Y-> Klasse, X [0], X [2] als Klasse 1, x [1] als Klasse 2 klassifiziert ist.
get_params() Parameter abrufen (wie {'alpha': 1.0, 'class_prior': None, 'fit_prior': True})
predict(X) Führen Sie eine Klassifizierung durch X-> width ist das Feature-Nummern-Array Rückgabewert-> Welche Klasse ist klassifiziert
predict_log_proba(X) Jede Klassifizierungswahrscheinlichkeit (log) Rückgabewert-Array, dessen Breite die Anzahl der Klassen ist und dessen Elemente log (Wahrscheinlichkeit) sind
predict_proba(X) Kein Protokoll über ver
score(X,y) Durchschnittliche Genauigkeit Gleich wie fit