GaussianNB

классsklearn.naive_bayes.GaussianNB(*, priors=None, var_smoothing=1e-09)[source]

Гауссовский наивный Байес (GaussianNB).

Может выполнять онлайн-обновления параметров модели через partial_fit. Подробнее об алгоритме обновления средних значений и дисперсий признаков в режиме онлайн см. в техническом отчете STAN-CS-79-773 Стэнфордского университета, авторы Chan, Golub и LeVeque.

Подробнее см. в Руководстве пользователя.

Параметры:

priorsмассив-подобный объекта с формой (n_classes,), по умолчанию=None

Предварительные вероятности классов. Если указаны, предварительные вероятности не корректируются в соответствии с данными.

var_smoothingfloat, по умолчанию=1e-9

Доля наибольшей дисперсии всех признаков, которая добавляется к дисперсиям для обеспечения стабильности вычислений.

Добавлена в версии 0.20.

Атрибуты:

class_count_массив ndarray с формой (n_classes,)

количество обучающих образцов, наблюдаемых в каждом классе.

class_prior_массив ndarray с формой (n_classes,)

вероятность каждого класса.

classes_массив ndarray с формой (n_classes,)

метки классов, известные классификатору.

epsilon_float

абсолютное добавочное значение к дисперсиям.

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлена в версии 0.24.

feature_names_in_массив ndarray с формой (n_features_in_,)

Имена признаков, увиденных во время fit. Определяются только тогда, когда X имеет имена признаков, которые все являются строками.

Добавлена в версии 1.0.

var_массив ndarray с формой (n_classes, n_features)

Дисперсия каждого признака на класс.

Добавлена в версии 1.0.

theta_массив ndarray с формой (n_classes, n_features)

Среднее значение каждого признака по классу.

См. также

BernoulliNB

Классификатор наивного Байеса для многомерных моделей Бернулли.

CategoricalNB

Классификатор наивного Байеса для категориальных признаков.

ComplementNB

Классификатор дополнения наивного Байеса.

MultinomialNB

Классификатор наивного Байеса 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)[source]

Обучить Гауссовский наивный Байес в соответствии с X, y.

Параметры:

Xмассив-подобный объекта с формой (n_samples, n_features)

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

yмассив-подобный объекта с формой (n_samples,)

Целевые значения.

sample_weightмассив-подобный объекта с формой (n_samples,), по умолчанию=None

Веса, применяемые к отдельным образцам (1. для несвязных).

Добавлена в версии 0.17: Гауссовский наивный Байес поддерживает обучение с использованием sample_weight.

Возвращает:

selfобъект

Возвращает сам экземпляр.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, ознакомьтесь с Руководством пользователя о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest encapsulating routing information.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернет параметры этого оценщика и содержащихся под-объектов, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

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

Инкрементальное обучение на наборе образцов.

Ожидается, что этот метод будет вызываться несколько раз последовательно на разных фрагментах набора данных для реализации обучения без хранения всего набора данных или онлайн-обучения.

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

Этот метод имеет некоторые затраты по производительности и численной устойчивости, поэтому лучше всего вызывать partial_fit на фрагментах данных, которые максимально велики (пока они помещаются в память) для скрытия накладных расходов.

Параметры:

Xмассив-подобный объекта с формой (n_samples, n_features)

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

yмассив-подобный объекта с формой (n_samples,)

Целевые значения.

classesмассив-подобный объекта с формой (n_classes,), по умолчанию=None

Список всех классов, которые могут появиться в векторе y.

Должен быть предоставлен при первом вызове partial_fit, может быть опущен в последующих вызовах.

sample_weightмассив-подобный объекта с формой (n_samples,), по умолчанию=None

Веса, применяемые к отдельным образцам (1. для несвязных).

Добавлена в версии 0.17.

Возвращает:

selfобъект

Возвращает сам экземпляр.

predict(X)[source]

Выполнить классификацию на наборе тестовых векторов X.

Параметры:

Xмассив-подобный типа (n_samples, n_features)

Входные образцы.

Возвращает:

Cмассив ndarray формы (n_samples,)

Предсказанные целевые значения для X.

predict_joint_log_proba(X)[source]

Возвращает оценки совместной логарифмической вероятности для тестового вектора X.

Для каждой строки x из X и класса y совместная логарифмическая вероятность задается как log P(x, y) = log P(y) + log P(x|y), , где log P(y) — это вероятность класса, а log P(x|y) — это вероятность класса при заданном условии.

Параметры:

Xмассив-подобный типа (n_samples, n_features)

Входные образцы.

Возвращает:

Cмассив ndarray формы (n_samples, n_classes)

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

predict_log_proba(X)[source]

Возвращает оценки логарифмической вероятности для тестового вектора X.

Параметры:

Xмассив-подобный типа (n_samples, n_features)

Входные образцы.

Возвращает:

Cмассив-подобный типа (n_samples, n_classes)

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

predict_proba(X)[source]

Возвращает оценки вероятности для тестового вектора X.

Параметры:

Xмассив-подобный типа (n_samples, n_features)

Входные образцы.

Возвращает:

Cмассив-подобный типа (n_samples, n_classes)

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

score(X, y, sample_weight=None)[source]

Возвращает среднюю точность на заданных тестовых данных и метках.

При многозначной классификации это точность подмножества, которая является жёстким метрическим показателем, поскольку для каждого образца требуется, чтобы каждый набор меток был предсказан правильно.

Параметры:

Xмассив-подобный типа (n_samples, n_features)

Тестовые образцы.

yмассив-подобный типа (n_samples,) или (n_samples, n_outputs)

Истинные метки для X.

sample_weightмассив-подобный типа (n_samples,), по умолчанию None

Веса образцов.

Возвращает:

scoreчисло с плавающей запятой

Средняя точность self.predict(X) относительно y.

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

Запрос метаданных, передаваемых методу fit.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Подробности о работе механизма маршрутизации см. в Руководстве пользователя.

Возможные значения для каждого параметра:

• True: метаданные запрашиваются и передаются fit , если они предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не будет передавать их fit.
• None: метаданные не запрашиваются, и мета-оценщик выведет ошибку, если пользователь предоставит их.
• str: метаданные должны быть переданы мета-оценщику с указанным псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED): сохраняется существующий запрос. Это позволяет изменить запрос для некоторых параметров, а не для других.

Добавлена в версии 1.3.

Примечание

Этот метод актуален только в том случае, если этот оценщик используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не имеет эффекта.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в fit.

Возвращает:

selfобъект

Обновлённый объект.

set_params(**params)[source]

Установите параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (такими как Pipeline). Последние имеют параметры вида <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='$UNCHANGED$') → GaussianNB[source]

Запрос метаданных, передаваемых методу partial_fit.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True, (см. sklearn.set_config). Пожалуйста, ознакомьтесь с Руководством пользователя для понимания принципов работы механизма маршрутизации.

Возможные варианты для каждого параметра:

• True: метаданные запрашиваются и передаются методу partial_fit при их наличии. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не передаст их методу partial_fit.
• None: метаданные не запрашиваются, и мета-оценщик выведет ошибку, если пользователь предоставит их.
• str: метаданные должны передаваться мета-оценщику с заданным псевдонимом вместо оригинального имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняется текущий запрос. Это позволяет изменить запрос для некоторых параметров, а не для всех.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только если этот оценщик используется как под-оценщик мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает никакого влияния.

Параметры:

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

Маршрутизация метаданных для параметра classes в partial_fit.

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

Маршрутизация метаданных для параметра sample_weight в partial_fit.

Возвращает:

selfобъект

Обновленный объект.

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

Запрос метаданных, передаваемых методу score.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True, (см. sklearn.set_config). Пожалуйста, ознакомьтесь с Руководством пользователя для понимания принципов работы механизма маршрутизации.

Возможные варианты для каждого параметра:

• True: метаданные запрашиваются и передаются методу score при их наличии. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не передаст их методу score.
• None: метаданные не запрашиваются, и мета-оценщик выведет ошибку, если пользователь предоставит их.
• str: метаданные должны передаваться мета-оценщику с заданным псевдонимом вместо оригинального имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняется текущий запрос. Это позволяет изменить запрос для некоторых параметров, а не для всех.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только если этот оценщик используется как под-оценщик мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает никакого влияния.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в score.

Возвращает:

selfобъект

Обновленный объект.