朴素贝叶斯算法（python）
2021-02-16 00:18
标签：就是 ram red params http 缺点 partial margin 高斯分布 朴素贝叶斯算法 优点： 缺点： 适用数据类型：离散型数据。 朴素贝叶斯假设：数据集属性之间是相互独立的，即独立同分布。 朴素贝叶斯的思想基础是这样的： 对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。 这三个类适用的分类场景各不相同，一般来说，如果样本特征的分布大部分是连续值，使用GaussianNB会比较好。如果如果样本特征的分大部分是多元离散值，使用MultinomialNB比较合适。而如果样本特征是二元离散值或者很稀疏的多元离散值，应该使用BernoulliNB。 sklearn 提供了朴素贝叶斯算法的实现类，用于多项模型 sklearn.naive_bayes. 类方法 朴素贝叶斯算法（python） 标签：就是 ram red params http 缺点 partial margin 高斯分布 原文地址：https://www.cnblogs.com/xiao02fang/p/12712008.html
使用 sklearn 实现朴素贝叶斯算法
MultinomialNB(alpha=1.0, fit_prior=True, class_prior=None)
下面的列表中，我们将分类数称为 nc，将特征数称为 nf。
sklearn.naive_bayes.MultinomialNB 类构造参数
get_params([deep]) – 获取参数
set_params(**params) – 设置参数
partial_fit(X, y[, classes, sample_weight]) – 部分样本上的增量拟合
predict(X) – 预测
predict_log_proba(X) – 返回测试向量X的对数概率估计
predict_proba(X) – 返回测试向量X的概率估计
score(X, y[, sample_weight]) – 返回模型的平均精度
原文链接：https://blog.csdn.net/DILIGENT203/article/details/83934809
上一篇：Python基础语法
下一篇：【Java】步入OOP 面向对象