GaussianNB

classsklearn.naive_bayes.GaussianNB(*, priors=None, var_smoothing=1e-09)[исходный код]

Наивный байесовский классификатор с гауссовским распределением (GaussianNB).

Позволяет выполнять онлайн-обновление параметров модели с помощью partial_fit. Подробное описание алгоритма онлайн-обновления средних значений признаков и дисперсий см. в техническом отчёте Stanford CS STAN-CS-79-773 авторства Chan, Golub и LeVeque.

Подробнее см. в Руководстве пользователя.

Параметры:

priorsarray-like of shape (n_classes,), default=None

Априорные вероятности классов. Если они указаны, априорные вероятности не корректируются с учётом данных.

var_smoothingfloat, default=1e-9

Доля наибольшей дисперсии среди всех признаков, добавляемая к дисперсиям для обеспечения устойчивости вычислений.

Добавлено в версии 0.20.

Атрибуты:

class_count_ndarray of shape (n_classes,)

Количество обучающих образцов, наблюдавшихся в каждом классе.

class_prior_ndarray of shape (n_classes,)

Вероятность каждого класса.

classes_ndarray of shape (n_classes,)

Метки классов, известные классификатору.

epsilon_float

Абсолютная добавочная величина для дисперсий.

n_features_in_int

Количество признаков, полученных во время обучения.

Добавлено в версии 0.24.

feature_names_in_ndarray of shape (n_features_in_,)

Названия признаков, полученных во время обучения. Определяется только в том случае, если X содержит названия признаков, все из которых являются строками.

Добавлено в версии 1.0.

var_ndarray of shape (n_classes, n_features)

Дисперсия каждого признака для каждого класса.

Добавлено в версии 1.0.

theta_ndarray of shape (n_classes, n_features)

Среднее значение каждого признака для каждого класса.

См. также

BernoulliNB

Наивный байесовский классификатор для многомерных моделей Бернулли.

CategoricalNB

Наивный байесовский классификатор для категориальных признаков.

ComplementNB

Наивный байесовский классификатор с дополнением.

MultinomialNB

Наивный байесовский классификатор для мультиномиальных моделей.

Примеры

>>> 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)[исходный код]

Обучает наивный байесовский классификатор с гауссовским распределением на основе X, y.

Параметры:

Xarray-like of shape (n_samples, n_features)

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

yarray-like of shape (n_samples,)

Целевые значения.

sample_weightarray-like of shape (n_samples,), default=None

Веса, применяемые к отдельным образцам (1. для образцов без взвешивания).

Добавлено в версии 0.17: Наивный байесовский классификатор с гауссовским распределением поддерживает обучение с параметром sample_weight.

Возвращает:

selfobject

Возвращает сам экземпляр.

get_metadata_routing()[исходный код]

Получает маршрутизацию метаданных этого объекта.

О том, как работает механизм 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, default=True

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

Возвращает:

paramsdict

Имена параметров и соответствующие им значения.

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

Инкрементальное обучение на пакете образцов.

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

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

Этот метод создаёт дополнительные затраты производительности и снижает численную устойчивость, поэтому рекомендуется вызывать partial_fit для максимально крупных фрагментов данных (если они помещаются в доступную память), чтобы компенсировать эти затраты.

Параметры:

Xarray-like of shape (n_samples, n_features)

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

yarray-like of shape (n_samples,)

Целевые значения.

classesarray-like of shape (n_classes,), default=None

Список всех классов, которые могут присутствовать в векторе y.

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

sample_weightarray-like of shape (n_samples,), default=None

Веса, применяемые к отдельным образцам (1. для образцов без взвешивания).

Добавлено в версии 0.17.

Возвращает:

selfobject

Возвращает сам экземпляр.

predict(X)[исходный код]

Выполняет классификацию массива тестовых векторов X.

Параметры:

Xarray-like of shape (n_samples, n_features)

Входные образцы.

Возвращает:

Cndarray of shape (n_samples,)

Предсказанные целевые значения для X.

predict_joint_log_proba(X)[исходный код]

Возвращает оценки совместных логарифмических вероятностей для тестового вектора X.

Для каждой строки x массива 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 of shape (n_samples, n_features)

Входные образцы.

Возвращает:

Cndarray of shape (n_samples, n_classes)

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

predict_log_proba(X)[исходный код]

Возвращает оценки логарифмических вероятностей для тестового вектора X.

Параметры:

Xarray-like of shape (n_samples, n_features)

Входные образцы.

Возвращает:

Carray-like of shape (n_samples, n_classes)

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

predict_proba(X)[исходный код]

Возвращает оценки вероятностей для тестового вектора X.

Параметры:

Xarray-like of shape (n_samples, n_features)

Входные образцы.

Возвращает:

Carray-like of shape (n_samples, n_classes)

Возвращает вероятность образцов 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 каждого образца требуется правильно предсказать весь набор меток.

Параметры:

Xarray-like of shape (n_samples, n_features)

Тестовые образцы.

yarray-like of shape (n_samples,) or (n_samples, n_outputs)

Истинные метки для X.

sample_weightarray-like of shape (n_samples,), default=None

Веса образцов.

Возвращает:

scorefloat

Средняя точность self.predict(X) относительно y.

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

Настраивает, следует ли запрашивать передачу метаданных методу fit.

Обратите внимание: этот метод имеет значение только тогда, когда данный оценщик используется как подоценщик внутри метаоценщика и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). О том, как работает механизм маршрутизации, см. в Руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и, если предоставлены, передаются в fit. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоценщик не будет передавать их в fit.
• None: метаданные не запрашиваются; если пользователь их предоставит, метаоценщик вызовет ошибку.
• str: метаданные следует передавать 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 меняя его для остальных.

Добавлено в версии 1.3.

Параметры:

sample_weightstr, True, False, or None, default=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). Параметры последних имеют вид <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfestimator instance

Экземпляр оценщика.

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

Настраивает, следует ли запрашивать передачу метаданных методу partial_fit.

Обратите внимание: этот метод имеет значение только тогда, когда данный оценщик используется как подоценщик внутри метаоценщика и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). О том, как работает механизм маршрутизации, см. в Руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и, если предоставлены, передаются в partial_fit. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоценщик не будет передавать их в partial_fit.
• None: метаданные не запрашиваются; если пользователь их предоставит, метаоценщик вызовет ошибку.
• str: метаданные следует передавать 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 меняя его для остальных.

Добавлено в версии 1.3.

Параметры:

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

Маршрутизация метаданных для параметра classes метода partial_fit.

sample_weightstr, True, False, or None, default=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='$UNCHANGED$') → GaussianNB[исходный код]

Настройте, следует ли запрашивать передачу метаданных в метод score.

Обратите внимание, что этот метод имеет значение только тогда, когда данный оцениватель используется как подоцениватель внутри метаоценивателя 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 score, если они предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и метаоцениватель не будет передавать их в score.
• None: метаданные не запрашиваются, и метаоцениватель вызовет ошибку, если пользователь предоставит их.
• str: метаданные следует передавать метаоценивателю 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 в score.

Возвращает:

selfобъект

Обновлённый объект.

Примеры из галереи

Калибровка вероятностей классификаторов

Кривые калибровки вероятностей

Сравнение калибровки классификаторов

Сравнение классификаторов

Построение кривых обучения и оценка масштабируемости моделей

Основные нововведения scikit-learn 1.8