MultinomialNB

classsklearn.naive_bayes.MultinomialNB(*, alpha=1.0, force_alpha=True, fit_prior=True, class_prior=None)[source]

Классификатор Наивного Байеса для многономиальных моделей.

Многономиальный классификатор Наивного Байеса подходит для классификации с дискретными признаками (например, количеством слов для классификации текста). Многономиальное распределение обычно требует целочисленных значений признаков. Однако на практике могут работать и дробные значения, такие как tf-idf.

Подробнее в Руководстве пользователя.

Параметры:

alphafloat или массив-подобный объект формы (n_features,), по умолчанию=1.0

Параметр добавочного (Лапласа/Лидстоуна) сглаживания (установите alpha=0 и force_alpha=True для отсутствия сглаживания).

force_alphabool, по умолчанию=True

Если False и alpha меньше 1e-10, он установит alpha в 1e-10. Если True, alpha останется неизменным. Это может привести к численным ошибкам, если alpha слишком близко к 0.

Добавлена в версии 1.2.

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

fit_priorbool, по умолчанию=True

Обучать ли вероятности априори классов или нет. Если false, будет использоваться равномерное априори.

class_priorмассив-подобный объект формы (n_classes,), по умолчанию=None

Вероятности априори классов. Если указано, априори не корректируются в соответствии с данными.

Атрибуты:

class_count_массив формы (n_classes,)

Количество образцов, встреченных для каждого класса во время обучения. Это значение взвешивается весом образца, если он предоставлен.

class_log_prior_массив формы (n_classes,)

Сглаженные эмпирические логарифмические вероятности для каждого класса.

classes_массив формы (n_classes,)

Метки классов, известные классификатору.

feature_count_массив формы (n_classes, n_features)

Количество образцов, встреченных для каждого (класс, признак) во время обучения. Это значение взвешивается весом образца, если он предоставлен.

feature_log_prob_массив формы (n_classes, n_features)

Эмпирические логарифмические вероятности признаков при условии класса, P(x_i|y).

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлена в версии 0.24.

feature_names_in_массив формы (n_features_in_,)

Имена признаков, увиденные во время fit. Определены только тогда, когда X имеет имена признаков, которые являются строками.

Добавлена в версии 1.0.

См. также

BernoulliNB

Классификатор Наивного Байеса для многовариантных моделей Бернулли.

CategoricalNB

Классификатор Наивного Байеса для категориальных признаков.

ComplementNB

Классификатор Наивного Байеса Дополнения.

GaussianNB

Гауссовский Наивный Байес.

Ссылки

C.D. Manning, P. Raghavan and H. Schuetze (2008). Introduction to Information Retrieval. Cambridge University Press, pp. 234-265. https://nlp.stanford.edu/IR-book/html/htmledition/naive-bayes-text-classification-1.html

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 MultinomialNB
>>> clf = MultinomialNB()
>>> clf.fit(X, y)
MultinomialNB()
>>> print(clf.predict(X[2:3]))
[3]

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

Обучение классификатора Наивного Байеса в соответствии с X, y.

Параметры:

X{массив-подобный, разреженная матрица} формы (n_samples, n_features)

Вектора обучения, где n_samples - количество образцов, а n_features - количество признаков.

yмассив-подобный формы (n_samples,)

Целевые значения.

sample_weightмассив-подобный формы (n_samples,), по умолчанию=None

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

Возвращает:

selfобъект

Возвращает экземпляр самого себя.

get_metadata_routing()[source]

Получение маршрутизации метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя по тому, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest encapsulating routing information.

get_params(deep=True)[source]

Получение параметров для этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернет параметры для данного оценщика и содержащихся подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные со значениями.

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

Инкрементная подгонка на наборе образцов.

Ожидается, что этот метод будет вызываться несколько раз последовательно на разных фрагментах набора данных, чтобы реализовать обучение без загрузки в память или онлайн-обучение.

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

Этот метод имеет некоторую накладные расходы, поэтому лучше вызывать partial_fit на фрагментах данных, которые по возможности больше (до тех пор, пока они помещаются в выделенный объем памяти), чтобы скрыть эти накладные расходы.

Параметры:

X{array-like, sparse matrix} of shape (n_samples, n_features)

Вектора обучения, 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 возможных классов, которые могут присутствовать в векторе y.

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

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

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

Возвращаемые значения:

selfobject

Возвращает экземпляр класса.

predict(X)[source]

Выполнить классификацию на массиве тестовых векторов X.

Параметры:

Xarray-like of shape (n_samples, n_features)

Входные образцы.

Возвращаемые значения:

Cndarray of shape (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) — вероятность априорного класса, а log P(x|y) — условная вероятность класса.

Параметры:

Xarray-like of shape (n_samples, n_features)

Входные образцы.

Возвращаемые значения:

Cndarray of shape (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 логарифмических вероятностей для тестового вектора X.

Параметры:

Xarray-like of shape (n_samples, n_features)

Входные образцы.

Возвращаемые значения:

Carray-like of shape (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 вероятностей для тестового вектора X.

Параметры:

Xarray-like of shape (n_samples, n_features)

Входные образцы.

Возвращаемые значения:

Carray-like of shape (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.

В многоклассовой классификации это точность подмножества, которая является жёстким метрикой, так как вам требуется для каждого образца, чтобы каждый набор меток был предсказан правильно.

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.

Возвращаемые значения:

scorefloat

Средняя точность self.predict(X) по отношению к y.

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

Запрос метаданных, передаваемых методу fit.

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

Доступные варианты для каждого параметра:

• True: метаданные запрашиваются и передаются методу fit, если предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не передаст их методу fit.
• None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь их предоставит.
• 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 всех.

Добавлен в версии 1.3.

Примечание

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

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в fit.

Возвращаемое значение:

selfобъект

Обновленный объект.

set_params(**params)[source]

Устанавливает параметры данного оценщика.

Метод работает как с простыми оценщиками, так и со вложенными объектами (такими как Pipeline). Последние имеют параметры в формате <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsсловарь

Параметры оценщика.

Возвращаемое значение:

selfэкземпляр оценщика

Экземпляр оценщика.

set_partial_fit_request(*, classes:bool|None|str='$UNCHANGED$', sample_weight:bool|None|str='$UNCHANGED$') → MultinomialNB[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 работы механизма маршрутизации.

Доступные варианты для каждого параметра:

• True: метаданные запрашиваются и передаются методу partial_fit если предоставлены. 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 выдаст ошибку, если пользователь их предоставит.
• 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 всех.

Добавлен в версии 1.3.

Примечание

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

Параметры:

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

Маршрутизация метаданных для параметра classes в partial_fit.

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

Маршрутизация метаданных для параметра sample_weight в partial_fit.

Возвращаемое значение:

selfобъект

Обновленный объект.

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

Запрос метаданных, переданных 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 механизма маршрутизации.

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются методу score, если они предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-эстиматор не будет передавать их методу score.
• None: метаданные не запрашиваются, и мета-эстиматор выдаст ошибку, если пользователь предоставит их.
• str: метаданные должны передаваться мета-эстиматору с данным 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.

Добавлен в версии 1.3.

Примечание

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

Примеры из галереи

Классификация текстовых документов вне оперативной памяти