在scikit-learn中，提供了3中朴素貝葉斯分類算法：GaussianNB(高斯朴素貝葉斯)、MultinomialNB(多項式朴素貝葉斯)、BernoulliNB(伯努利朴素貝葉斯)
簡單介紹：
- 高斯朴素貝葉斯：適用於連續型數值，比如身高在160cm以下為一類，160-170cm為一個類，則划分不夠細膩。
- 多項式朴素貝葉斯：常用於文本分類，特征是單詞，值是單詞出現的次數。
- 伯努利朴素貝葉斯：所用特征為全局特征，只是它計算的不是單詞的數量，而是出現則為1，否則為0。也就是特征等權重。
import numpy as np from sklearn.naive_bayes import GaussianNB, MultinomialNB, BernoulliNB X = np.array([[1,2,3,4],[1,3,4,4],[2,4,5,5],[2,5,6,5],[3,4,5,6],[3,5,6,6]]) y = np.array([1,1,4,2,3,3]) '''sklearn.naive_bayes.GaussianNB(priors=None)''' clf = GaussianNB()#默認priors=None clf.fit(X,y) #sample_weight=np.array([0.05,0.05,0.1,0.1,0.1,0.2,0.2,0.2]) #clf.set_params(priors=[0.625, 0.375]) clf.priors #無返回值，因priors=None clf.class_prior_ clf.class_count_ clf.theta_ clf.sigma_ '''sklearn.naive_bayes.MultinomialNB(alpha=1.0, fit_prior=True, class_prior=None) alpha添加拉普拉修/Lidstone平滑參數''' clf = MultinomialNB(alpha=2.0, fit_prior=True) clf.fit(X,y) #clf.partial_fit(X,y,classes=[1,2]) #數據量大時，增量訓練，X可稀疏，初次制定class clf.coef_ clf.intercept_ clf.class_count_ clf.feature_count_ clf.class_log_prior_ clf.feature_log_prob_ #特征概率對數值，(n_classes, n_features) '''sklearn.naive_bayes.BernoulliNB(alpha=1.0, binarize=0.0, fit_prior=True,class_prior=None)''' clf = BernoulliNB(alpha=2.0,binarize = 3.0,fit_prior=True) clf.fit(X,y) clf.class_count_ clf.feature_count_ clf.class_log_prior_ clf.feature_log_prob_ #特征概率對數值，(n_classes, n_features) # 預測 clf.predict([[-6,-6],[4,5]]) clf.predict_proba([[-6,-6],[4,5]]) clf.predict_log_proba([[-6,-6],[4,5]]) clf.score(X,y)