Scikit Learn - Bayes naïves multinomiales

C'est un autre classificateur Naïve Bayes utile. Il suppose que les entités sont tirées d'une simple distribution multinomiale. Le Scikit-learn fournitsklearn.naive_bayes.MultinomialNB pour implémenter l'algorithme Multinomial Naïve Bayes pour la classification.

Paramètres

Le tableau suivant contient les paramètres utilisés par sklearn.naive_bayes.MultinomialNB méthode -

Sr. Non Paramètre et description
1

alpha - float, facultatif, par défaut = 1.0

Il représente le paramètre de lissage additif. Si vous choisissez 0 comme valeur, il n'y aura pas de lissage.
2

fit_prior - Booléen, facultatif, par défaut = true

Il indique au modèle s'il faut apprendre les probabilités antérieures de classe ou non. La valeur par défaut est True mais si elle est définie sur False, les algorithmes utiliseront un a priori uniforme.
3

class_prior - de type tableau, taille (n_classes,), facultatif, Par défaut = Aucun

Ce paramètre représente les probabilités antérieures de chaque classe.

Les attributs

Le tableau suivant comprend les attributs utilisés par sklearn.naive_bayes.MultinomialNB méthode -

Sr. Non Attributs et description
1

class_log_prior_ - tableau, forme (n_classes,)

Il fournit la probabilité log lissée pour chaque classe.
2

class_count_ - tableau, forme (n_classes,)

Il fournit le nombre réel d'échantillons d'apprentissage rencontrés pour chaque classe.
3

intercept_ - tableau, forme (n_classes,)

Ce sont les miroirs class_log_prior_ pour interpréter le modèle MultinomilaNB comme un modèle linéaire.
4

feature_log_prob_ - tableau, forme (n_classes, n_features)

Il donne la probabilité logarithmique empirique des entités pour une classe $ P \ left (\ begin {array} {c} features \ arrowvert Y \ end {array} \ right) $.
5

coef_ - tableau, forme (n_classes, n_features)

Ce sont les miroirs feature_log_prior_ pour interpréter le modèle MultinomilaNB comme un modèle linéaire.
6

feature_count_ - tableau, forme (n_classes, n_features)

Il fournit le nombre réel d'échantillons d'apprentissage rencontrés pour chaque (classe, fonctionnalité).

Les méthodes de sklearn.naive_bayes. MultinomialNB sont les mêmes que ceux que nous avons utilisés dans sklearn.naive_bayes.GaussianNB.

Exemple d'implémentation

Le script Python ci-dessous utilisera sklearn.naive_bayes.GaussianNB méthode pour construire le classificateur Gaussien Naïve Bayes à partir de notre ensemble de données -

Exemple

import numpy as np
X = np.random.randint(8, size = (8, 100))
y = np.array([1, 2, 3, 4, 5, 6, 7, 8])

from sklearn.naive_bayes import MultinomialNB
MNBclf = MultinomialNB()
MNBclf.fit(X, y)

Production

MultinomialNB(alpha = 1.0, class_prior = None, fit_prior = True)

Maintenant, une fois ajusté, nous pouvons prédire la nouvelle valeur aby en utilisant la méthode prédire () comme suit -

Exemple

print((MNBclf.predict(X[4:5]))

Production

[5]