MultinomialNB

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

Классификатор наивного Байеса для мультиномиальных моделей.

Мультиномиальный классификатор наивного Байеса подходит для классификации с дискретными признаками (например, с количеством слов при классификации текстов). Мультиномиальное распределение обычно требует, чтобы значения признаков были целыми числами. Однако на практике могут подойти и дробные значения, например tf-idf.

Подробнее см. в руководстве пользователя.

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 неизменным. 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 для force_alpha изменено на True.

fit_priorbool, по умолчанию=True

Следует ли вычислять априорные вероятности классов. Если значение равно false, используется равномерное априорное распределение.

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

Априорные вероятности классов. Если заданы, априорные вероятности не корректируются с учетом данных.

Атрибуты:

class_count_ndarray формы (n_classes,)

Количество объектов, встреченных для каждого класса во время обучения. Если заданы веса объектов, это значение учитывает их.

class_log_prior_ndarray формы (n_classes,)

Сглаженная эмпирическая логарифмическая вероятность каждого класса.

classes_ndarray формы (n_classes,)

Метки классов, известные классификатору

feature_count_ndarray формы (n_classes, n_features)

Количество объектов, встреченных для каждой пары (класс, признак) во время обучения. Если заданы веса объектов, это значение учитывает их.

feature_log_prob_ndarray формы (n_classes, n_features)

Эмпирическая логарифмическая вероятность признаков при условии класса, P(x_i|y).

n_features_in_int

Количество признаков, обнаруженных при вызове fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, обнаруженных при вызове fit. Определяется только в том случае, если X содержит имена признаков, состоящие исключительно из строк.

Добавлено в версии 1.0.

См. также

BernoulliNB

Классификатор наивного Байеса для многомерных моделей Бернулли.

CategoricalNB

Классификатор наивного Байеса для категориальных признаков.

ComplementNB

Классификатор дополнительного наивного Байеса.

GaussianNB

Гауссовский наивный Байес.

Литература

C.D. Manning, P. Raghavan и H. Schuetze (2008). Введение в информационный поиск. Cambridge University Press, стр. 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)[исходный код]

Обучить классификатор наивного Байеса на основе X, y.

Параметры:

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

Обучающие векторы, где n_samples — количество объектов, 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 объектам (1. для объектов без весов).

Возвращает:

selfobject

Возвращает сам экземпляр.

get_metadata_routing()[исходный код]

Получить настройки маршрутизации метаданных этого объекта.

О том, как работает механизм маршрутизации, см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[исходный код]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, будут возвращены параметры этого оценщика и содержащихся в нем 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 объектов.

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

Этот метод особенно полезен, когда весь набор данных слишком велик, чтобы целиком поместиться в памяти.

Этот метод создает дополнительные накладные расходы, поэтому лучше вызывать partial_fit для максимально больших пакетов данных (при условии, что они помещаются в доступную память), чтобы компенсировать эти расходы.

Параметры:

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

Обучающие векторы, где n_samples — количество объектов, 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; при последующих вызовах этот параметр можно опустить.

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

Веса, применяемые к отдельным объектам (1. для объектов без весов).

Возвращает:

selfobject

Возвращает сам экземпляр.

predict(X)[исходный код]

Выполнить классификацию массива тестовых векторов X.

Параметры:

Xarray-like формы (n_samples, n_features)

Входные объекты.

Возвращает:

Cndarray формы (n_samples,)

Предсказанные целевые значения для X.

predict_joint_log_proba(X)[исходный код]

Вернуть оценки совместных логарифмических вероятностей для тестового вектора X.

Для каждой строки x матрицы X и класса y совместная логарифмическая вероятность задается 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 объекты.

Возвращает:

Cndarray формы (n_samples, n_classes)

Возвращает совместную логарифмическую вероятность объектов для каждого класса модели. Столбцы соответствуют классам, расположенным в отсортированном порядке, как в атрибуте classes_.

predict_log_proba(X)[исходный код]

Вернуть оценки логарифмических вероятностей для тестового вектора X.

Параметры:

Xarray-like формы (n_samples, n_features)

Входные объекты.

Возвращает:

Carray-like формы (n_samples, n_classes)

Возвращает логарифмическую вероятность объектов для каждого класса модели. Столбцы соответствуют классам, расположенным в отсортированном порядке, как в атрибуте classes_.

predict_proba(X)[исходный код]

Вернуть оценки вероятностей для тестового вектора X.

Параметры:

Xarray-like формы (n_samples, n_features)

Входные объекты.

Возвращает:

Carray-like формы (n_samples, n_classes)

Возвращает вероятность объектов для каждого класса модели. Столбцы соответствуют классам, расположенным в отсортированном порядке, как в атрибуте classes_.

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

Вернуть точность на предоставленных данных и метках.

При многометочной классификации возвращается точность по подмножествам. Это строгая метрика: для каждого объекта требуется правильно предсказать весь набор меток.

Параметры:

Xarray-like формы (n_samples, n_features)

Тестовые объекты.

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

Истинные метки для X.

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

Веса объектов.

Возвращает:

scorefloat

Средняя точность self.predict(X) относительно y.

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

Настроить, следует ли запрашивать передачу метаданных в метод fit.

Обратите внимание: этот метод применим только тогда, когда данный оценщик используется как подчиненный оценщик внутри метаоценщика и включена маршрутизация метаданных 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 передаются в fit, если они предоставлены. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоценщик не будет передавать их в fit.
• None: метаданные не запрашиваются, и метаоценщик выдаст ошибку, если пользователь их предоставит.
• 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 затрагивая остальные.

Добавлено в версии 1.3.

Параметры:

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

Настройка маршрутизации метаданных для параметра sample_weight метода fit.

Возвращает:

selfobject

Обновленный объект.

set_params(**params)[исходный код]

Задать 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='$UNCHANGED$') → MultinomialNB[исходный код]

Настроить, следует ли запрашивать передачу метаданных в метод partial_fit.

Обратите внимание: этот метод применим только тогда, когда данный оценщик используется как подчиненный оценщик внутри метаоценщика и включена маршрутизация метаданных 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 передаются в partial_fit, если они предоставлены. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоценщик не будет передавать их в partial_fit.
• None: метаданные не запрашиваются, и метаоценщик выдаст ошибку, если пользователь их предоставит.
• 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 затрагивая остальные.

Добавлено в версии 1.3.

Параметры:

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

Настройка маршрутизации метаданных для параметра classes метода partial_fit.

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

Настройка маршрутизации метаданных для параметра sample_weight метода partial_fit.

Возвращает:

selfobject

Обновленный объект.

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

Настройка запроса на передачу метаданных методу score.

Обратите внимание, что этот метод актуален только тогда, когда данный оцениватель используется как подоцениватель в составе метаоценивателя и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Описание работы механизма маршрутизации см. в руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• 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 должны передаваться метаоценивателю под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет текущий запрос. Это позволяет изменить запрос для некоторых 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:

selfobject

Обновлённый объект.

Примеры в галерее

Классификация текстовых документов по принципу out-of-core