高斯NB

class sklearn.naive_bayes.GaussianNB(*, priors=None, var_smoothing=1e-09)

高斯朴素的Bayes（GaussianNB）。

可以通过以下方式在线更新模型参数 partial_fit .有关用于在线更新要素均值和方差的算法的详细信息，请参阅 Stanford CS tech report STAN-CS-79-773 by Chan, Golub, and LeVeque .

阅读更多的 User Guide .

参数:

priors形状类似数组（n_classes，），默认=无

班级的先验概率。如果指定，则不会根据数据调整先验。

var_smoothingfloat，默认= 1 e-9

所有要素的最大方差的一部分，该部分被添加到方差中以实现计算稳定性。

Added in version 0.20.

属性:

class_count_形状的nd数组（n_classes，）

每个班级中观察到的训练样本数量。

class_prior_形状的nd数组（n_classes，）

每个班级的概率。

classes_形状的nd数组（n_classes，）

分类器已知的类标签。

epsilon_浮子

方差的绝对相加值。

n_features_in_int

期间看到的功能数量 fit .

Added in version 0.24.

feature_names_in_ ：nd形状数组 (n_features_in_ ,)nd数组形状（

Names of features seen during fit. Defined only when X has feature names that are all strings.

Added in version 1.0.

var_形状的nd数组（n_classes，n_features）

每个类的每个特征的方差。

Added in version 1.0.

theta_形状的nd数组（n_classes，n_features）

每个类别每个特征的平均值。

参见

BernoulliNB

多元伯努里模型的朴素Bayes分类器。

CategoricalNB

类别特征的朴素Bayes分类器。

ComplementNB

补充天真的Bayes分类器。

MultinomialNB

用于多项模型的朴素Bayes分类器。

示例

>>> import numpy as np
>>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
>>> Y = np.array([1, 1, 1, 2, 2, 2])
>>> from sklearn.naive_bayes import GaussianNB
>>> clf = GaussianNB()
>>> clf.fit(X, Y)
GaussianNB()
>>> print(clf.predict([[-0.8, -1]]))
[1]
>>> clf_pf = GaussianNB()
>>> clf_pf.partial_fit(X, Y, np.unique(Y))
GaussianNB()
>>> print(clf_pf.predict([[-0.8, -1]]))
[1]

fit(X, y, sample_weight=None)

根据X、y来适应高斯朴素Bayeses。

参数:

X形状类似阵列（n_samples，n_features）

训练载体，在哪里 n_samples 是样本数量和 n_features 是功能的数量。

y形状类似阵列（n_samples，）

目标值。

sample_weight形状类似数组（n_samples，），默认=无

应用于单个样本的权重（1.对于未加权）。

Added in version 0.17: 高斯朴素的Bayes支持与 sample_weight .

返回:

self对象

返回实例本身。

get_metadata_routing()

获取此对象的元数据路由。

请检查 User Guide 关于路由机制如何工作。

返回:

routingMetadataRequest

A MetadataRequest 封装路由信息。

get_params(deep=True)

获取此估计器的参数。

参数:

deep布尔，默认=True

如果为True，将返回此估计量和包含的作为估计量的子对象的参数。

返回:

paramsdict

参数名称映射到其值。

partial_fit(X, y, classes=None, sample_weight=None)

对一批样本进行增量匹配。

该方法预计将在数据集的不同块上连续调用多次，以实现核外或在线学习。

当整个数据集太大而无法同时放入内存时，这尤其有用。

该方法有一些性能和数字稳定性负载，因此最好对尽可能大的数据块（只要适合内存预算）调用partial_fit来隐藏负载。

参数:

X形状类似阵列（n_samples，n_features）

训练载体，在哪里 n_samples 是样本数量和 n_features 是功能的数量。

y形状类似阵列（n_samples，）

目标值。

classes形状类似数组（n_classes，），默认=无

y载体中可能出现的所有类的列表。

必须在第一次调用partial_fit时提供，在后续调用中可以省略。

sample_weight形状类似数组（n_samples，），默认=无

应用于单个样本的权重（1.对于未加权）。

Added in version 0.17.

返回:

self对象

返回实例本身。

predict(X)

对测试载体X数组执行分类。

参数:

X形状类似阵列（n_samples，n_features）

输入样本。

返回:

C形状的nd数组（n_samples，）

X的预测目标值。

predict_joint_log_proba(X)

返回测试载体X的联合日志概率估计。

对于X和y类的每一行x，联合log概率由下式给出 log P(x, y) = log P(y) + log P(x|y), 哪里 log P(y) 是班级先验概率， log P(x|y) 是类条件概率。

参数:

X形状类似阵列（n_samples，n_features）

输入样本。

返回:

C形状的nd数组（n_samples，n_classes）

返回模型中每个类别的样本的联合log概率。这些列按排序顺序对应于类，因为它们出现在属性中 classes_ .

predict_log_proba(X)

返回测试载体X的log概率估计值。

参数:

X形状类似阵列（n_samples，n_features）

输入样本。

返回:

C形状类似阵列（n_samples，n_classes）

返回模型中每个类别的样本的对概率。这些列按排序顺序对应于类，因为它们出现在属性中 classes_ .

predict_proba(X)

测试载体X的返回概率估计。

参数:

X形状类似阵列（n_samples，n_features）

输入样本。

返回:

C形状类似阵列（n_samples，n_classes）

返回模型中每个类的样本概率。这些列按排序顺序对应于类，因为它们出现在属性中 classes_ .

score(X, y, sample_weight=None)

返回给定测试数据和标签的平均准确度。

在多标签分类中，这是子集准确度，这是一个苛刻的指标，因为您需要为每个样本正确预测每个标签集。

参数:

X形状类似阵列（n_samples，n_features）

测试样本。

y形状的类似阵列（n_samples，）或（n_samples，n_outputs）

真正的标签 X .

sample_weight形状类似数组（n_samples，），默认=无

样本重量。

返回:

score浮子

平均准确度 self.predict(X) w.r.t. y .

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → GaussianNB

请求元数据传递给 fit 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

• True ：元数据被请求并传递给 fit 如果提供的话。如果未提供元数据，则会忽略请求。

• False ：未请求元数据，元估计器不会将其传递给 fit .

• None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。

• str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

sample_weight字符串、真、假或无， 默认=sklearn.utils. metalics_Routing.UNChanged

元数据路由 sample_weight 参数 fit .

返回:

self对象

更新的对象。

set_params(**params)

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:

**paramsdict

估计参数。

返回:

self估计器实例

估计实例。

set_partial_fit_request(*, classes: bool | None | str = '$UNCHANGED$', sample_weight: bool | None | str = '$UNCHANGED$') → GaussianNB

请求元数据传递给 partial_fit 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

• True ：元数据被请求并传递给 partial_fit 如果提供的话。如果未提供元数据，则会忽略请求。

• False ：未请求元数据，元估计器不会将其传递给 partial_fit .

• None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。

• str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

classes字符串、真、假或无， 默认=sklearn.utils. metalics_Routing.UNChanged

元数据路由 classes 参数 partial_fit .

sample_weight字符串、真、假或无， 默认=sklearn.utils. metalics_Routing.UNChanged

元数据路由 sample_weight 参数 partial_fit .

返回:

self对象

更新的对象。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → GaussianNB

请求元数据传递给 score 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

• True ：元数据被请求并传递给 score 如果提供的话。如果未提供元数据，则会忽略请求。

• False ：未请求元数据，元估计器不会将其传递给 score .

• None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。

• str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

sample_weight字符串、真、假或无， 默认=sklearn.utils. metalics_Routing.UNChanged

元数据路由 sample_weight 参数 score .

返回:

self对象

更新的对象。