Bio.NaveBayes模块¶
一般天真的贝叶斯学习者。
朴素贝叶斯是一种有监督的分类算法,它使用贝叶斯规则来计算新的观测数据和一些先前观测数据之间的拟合。观测是离散的特征向量,具有特征独立的贝叶斯假设。虽然这几乎不是真的,但分类器在实践中工作得很好。
- 词汇表:
观测-离散数据的特征向量。
类别-观察的一种可能的分类。
- 班级:
朴素贝叶斯-保存朴素贝叶斯分类器的信息。
- 功能:
训练-训练一个新的朴素贝叶斯分类器。
计算(Calculate)-计算每个类别的概率,给出一个观察值。
分类(Classfy)-将观察结果分类。
- class Bio.NaiveBayes.NaiveBayes¶
基类:
object
保存奈维贝叶斯分类器的信息。
- 属性:
类-可能的数据类列表。
p_Conditional-class x值字典的二进制数组->
P(value|class,dim)
P_PREVICE-每个类的先验概率列表。
维度-数据的维度。
- __init__()¶
初始化类。
- Bio.NaiveBayes.calculate(nb, observation, scale=False)¶
计算每个类别的对数条件概率。
- 参数:
NB-一种经过训练的奈维贝叶斯分类器。
观察-表示观察数据的列表。
Scale-用于指示概率是否应按以下比例进行缩放的布尔值
P(observation)
。默认情况下,不进行缩放。
返回字典,其中键是类,值是类的对数概率。
- Bio.NaiveBayes.classify(nb, observation)¶
将观察结果分成一类。
- Bio.NaiveBayes.train(training_set, results, priors=None, typecode=None)¶
在训练集上训练奈维贝叶斯分类器。
- 参数:
Training_Set-观察列表。
结果-每个观察的课堂作业列表。因此,Training_Set和Results的长度必须相同。
先验-可选字典,指定每种类型结果的先验概率。如果未指定,将根据培训结果估计先验。