ComplementNB

classsklearn.naive_bayes.ComplementNB(*, alpha=1.0, force_alpha=True, fit_prior=True, class_prior=None, norm=False)[исходный код]

Классификатор Complement Naive Bayes, описанный в Rennie et al. (2003).

Классификатор Complement Naive Bayes был разработан для устранения «серьёзных допущений», сделанных стандартным классификатором Multinomial Naive Bayes. Он особенно хорошо подходит для несбалансированных наборов данных.

Подробнее см. в руководстве пользователя.

Добавлено в версии 0.20.

Параметры:

alphafloat или array-like формы (n_features,), по умолчанию=1.0

Параметр аддитивного сглаживания (Лапласа/Лидстоуна) (задайте alpha=0 и force_alpha=True, чтобы отключить сглаживание).

force_alphabool, по умолчанию=True

Если False и alpha меньше 1e-10, значение alpha будет установлено равным 1e-10. Если True, значение alpha останется без изменений. Если alpha слишком близко к 0, это может привести к численным ошибкам.

Добавлено в версии 1.2.

Изменено в версии 1.4: значение по умолчанию force_alpha изменено на True.

fit_priorbool, по умолчанию=True

Используется только в особом случае, когда в обучающей выборке присутствует один класс.

class_priorarray-like формы (n_classes,), по умолчанию=None

Априорные вероятности классов. Не используется.

normbool, по умолчанию=False

Выполняется ли дополнительная нормализация весов. Поведение по умолчанию соответствует реализациям в Mahout и Weka, которые не следуют полному алгоритму, описанному в таблице 9 статьи.

Атрибуты:

class_count_ndarray формы (n_classes,)

Количество выборок каждого класса, встреченных во время обучения. Если заданы веса выборок, это значение взвешивается с их учётом.

class_log_prior_ndarray формы (n_classes,)

Сглаженная эмпирическая логарифмическая вероятность каждого класса. Используется только в особом случае, когда в обучающей выборке присутствует один класс.

classes_ndarray формы (n_classes,)

Метки классов, известные классификатору

feature_all_ndarray формы (n_features,)

Количество выборок с каждым признаком, встреченных во время обучения. Если заданы веса выборок, это значение взвешивается с их учётом.

feature_count_ndarray формы (n_classes, n_features)

Количество выборок для каждой пары (класс, признак), встреченных во время обучения. Если заданы веса выборок, это значение взвешивается с их учётом.

feature_log_prob_ndarray формы (n_classes, n_features)

Эмпирические веса дополнений классов.

n_features_in_int

Количество признаков, обнаруженных во время обучения.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, обнаруженных во время обучения. Определяется только в том случае, если X содержит имена признаков, все из которых являются строками.

Добавлено в версии 1.0.

См. также

BernoulliNB

Классификатор Naive Bayes для многомерных моделей Бернулли.

CategoricalNB

Классификатор Naive Bayes для категориальных признаков.

GaussianNB

Гауссовский Naive Bayes.

MultinomialNB

Классификатор Naive Bayes для мультиномиальных моделей.

Список литературы

Rennie, J. D., Shih, L., Teevan, J., & Karger, D. R. (2003). Tackling the poor assumptions of naive bayes text classifiers. In ICML (Vol. 3, pp. 616-623). https://people.csail.mit.edu/jrennie/papers/icml03-nb.pdf

Примеры

>>> import numpy as np
>>> rng = np.random.RandomState(1)
>>> X = rng.randint(5, size=(6, 100))
>>> y = np.array([1, 2, 3, 4, 5, 6])
>>> from sklearn.naive_bayes import ComplementNB
>>> clf = ComplementNB()
>>> clf.fit(X, y)
ComplementNB()
>>> print(clf.predict(X[2:3]))
[3]

fit(X, y, sample_weight=None)[исходный код]

Обучает классификатор Naive Bayes на основе X и y.

Параметры:

X{array-like, разреженная матрица} формы (n_samples, n_features)

Обучающие векторы, где n_samples — количество выборок, а n_features — количество признаков.

yarray-like формы (n_samples,)

Целевые значения.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса, применяемые к отдельным выборкам (1. для выборок без весов).

Возвращает:

selfobject

Возвращает сам экземпляр.

get_metadata_routing()[исходный код]

Получает маршрутизацию метаданных этого объекта.

Информацию о работе механизма маршрутизации см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий сведения о маршрутизации.

get_params(deep=True)[исходный код]

Получает параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает параметры этого оценщика и содержащихся в нём подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные их значениям.

partial_fit(X, y, classes=None, sample_weight=None)[исходный код]

Инкрементальное обучение на пакете выборок.

Предполагается, что этот метод будет последовательно вызываться несколько раз для разных частей набора данных, чтобы реализовать обучение вне ядра или онлайн-обучение.

Это особенно полезно, когда весь набор данных слишком велик, чтобы поместиться в памяти целиком.

Этот метод имеет дополнительные издержки производительности, поэтому лучше вызывать partial_fit для максимально больших частей данных (при условии, что они помещаются в доступную память), чтобы компенсировать эти издержки.

Параметры:

X{array-like, разреженная матрица} формы (n_samples, n_features)

Обучающие векторы, где n_samples — количество выборок, а n_features — количество признаков.

yarray-like формы (n_samples,)

Целевые значения.

classesarray-like формы (n_classes,), по умолчанию=None

Список всех классов, которые могут встречаться в векторе y.

Необходимо указать при первом вызове partial_fit; в последующих вызовах этот аргумент можно опустить.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса, применяемые к отдельным выборкам (1. для выборок без весов).

Возвращает:

selfobject

Возвращает сам экземпляр.

predict(X)[исходный код]

Выполняет классификацию массива тестовых векторов X.

Параметры:

Xarray-like формы (n_samples, n_features)

Входные выборки.

Возвращает:

Cndarray формы (n_samples,)

Предсказанные целевые значения для X.

predict_joint_log_proba(X)[исходный код]

Возвращает оценки совместной логарифмической вероятности для тестового вектора X.

Для каждой строки x матрицы X и класса y совместная логарифмическая вероятность задаётся выражением log P(x, y) = log P(y) + log P(x|y),, где log P(y) — априорная вероятность класса, а log P(x|y) — условная вероятность класса.

Параметры:

Xarray-like формы (n_samples, n_features)

Входные выборки.

Возвращает:

Cndarray формы (n_samples, n_classes)

Возвращает совместную логарифмическую вероятность выборок для каждого класса модели. Столбцы соответствуют классам в отсортированном порядке, как они представлены в атрибуте classes_.

predict_log_proba(X)[исходный код]

Возвращает оценки логарифмической вероятности для тестового вектора X.

Параметры:

Xarray-like формы (n_samples, n_features)

Входные выборки.

Возвращает:

Carray-like формы (n_samples, n_classes)

Возвращает логарифмическую вероятность выборок для каждого класса модели. Столбцы соответствуют классам в отсортированном порядке, как они представлены в атрибуте classes_.

predict_proba(X)[исходный код]

Возвращает оценки вероятности для тестового вектора X.

Параметры:

Xarray-like формы (n_samples, n_features)

Входные выборки.

Возвращает:

Carray-like формы (n_samples, n_classes)

Возвращает вероятность выборок для каждого класса модели. Столбцы соответствуют классам в отсортированном порядке, как они представлены в атрибуте classes_.

score(X, y, sample_weight=None)[исходный код]

Возвращает точность на предоставленных данных и метках.

В многометочной классификации это точность по подмножествам — строгая метрика, поскольку для каждой выборки требуется правильно предсказать весь набор меток.

Параметры:

Xarray-like формы (n_samples, n_features)

Тестовые выборки.

yarray-like формы (n_samples,) или (n_samples, n_outputs)

Истинные метки для X.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса выборок.

Возвращает:

scorefloat

Средняя точность self.predict(X) относительно y.

set_fit_request(*, sample_weight:bool|None|str='$UNCHANGED$') → ComplementNB[исходный код]

Настраивает, следует ли запрашивать передачу метаданных методу fit.

Обратите внимание, что этот метод имеет значение только тогда, когда данный оценщик используется как вспомогательный оценщик внутри метаоценщика и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Информацию о работе механизма маршрутизации см. в руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и передаются в fit, если они предоставлены. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоценщик не передаёт их в fit.
• None: метаданные не запрашиваются, и метаоценщик выдаст ошибку, если пользователь их предоставит.
• str: метаданные передаются метаоценщику под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет текущий запрос. Это позволяет изменить запрос для одних параметров, не затрагивая остальные.

Добавлено в версии 1.3.

Параметры:

sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight метода fit.

Возвращает:

selfobject

Обновлённый объект.

set_params(**params)[исходный код]

Задаёт параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (например, Pipeline). У последних параметры имеют вид <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_partial_fit_request(*, classes:bool|None|str='$UNCHANGED$', sample_weight:bool|None|str='$UNCHANGED$') → ComplementNB[исходный код]

Настраивает, следует ли запрашивать передачу метаданных методу partial_fit.

Обратите внимание, что этот метод имеет значение только тогда, когда данный оценщик используется как вспомогательный оценщик внутри метаоценщика и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Информацию о работе механизма маршрутизации см. в руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и передаются в partial_fit, если они предоставлены. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоценщик не передаёт их в partial_fit.
• None: метаданные не запрашиваются, и метаоценщик выдаст ошибку, если пользователь их предоставит.
• str: метаданные передаются метаоценщику под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет текущий запрос. Это позволяет изменить запрос для одних параметров, не затрагивая остальные.

Добавлено в версии 1.3.

Параметры:

classesstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра classes метода partial_fit.

sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight метода partial_fit.

Возвращает:

selfobject

Обновлённый объект.

set_score_request(*, sample_weight:bool|None|str='$UNCHANGED$') → ComplementNB[source]

Настройте, следует ли запрашивать передачу метаданных в метод score.

Обратите внимание, что этот метод актуален только тогда, когда данный оцениватель используется как подоцениватель внутри метаоценивателя и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). О том, как работает механизм маршрутизации, см. в Руководстве пользователя.

• True: метаданные запрашиваются и передаются в score, если они предоставлены. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоцениватель не будет передавать их в score.
• None: метаданные не запрашиваются, и метаоцениватель вызовет ошибку, если пользователь их предоставит.
• str: метаданные следует передавать метаоценивателю под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменить запрос для одних параметров, оставив его без изменений для других.

Добавлено в версии 1.3.

Параметры:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight в score.

Возвращает:

selfobject

Обновленный объект.

Примеры из галереи

Пример конвейера извлечения признаков из текста и оценки

Классификация текстовых документов с использованием разреженных признаков