CategoricalNB# (類別樸素貝氏#)

class sklearn.naive_bayes.CategoricalNB(*, alpha=1.0, force_alpha=True, fit_prior=True, class_prior=None, min_categories=None)[原始碼]#

用於類別特徵的樸素貝氏分類器。

類別樸素貝氏分類器適用於具有離散特徵且呈類別分佈的分類。每個特徵的類別皆從類別分佈中抽取。

請參閱使用者指南以獲取更多資訊。

參數:

alphafloat，預設值=1.0

加法（拉普拉斯/李德斯通）平滑參數（若不使用平滑，請設定 alpha=0 且 force_alpha=True）。

force_alphabool，預設值=True

若為 False 且 alpha 小於 1e-10，則會將 alpha 設定為 1e-10。若為 True，則 alpha 將保持不變。若 alpha 太接近 0，可能會導致數值錯誤。

1.2 版本新增。

1.4 版本變更：force_alpha 的預設值變更為 True。

fit_priorbool，預設值=True

是否學習類別的先驗機率。若為 false，則會使用均勻先驗機率。

class_priorarray-like，形狀為 (n_classes,)，預設值=None

類別的先驗機率。若已指定，則不會根據資料調整先驗機率。

min_categoriesint 或 array-like，形狀為 (n_features,)，預設值=None

每個特徵的最小類別數。

整數：將每個特徵的最小類別數設定為每個特徵的 n_categories。
array-like：形狀為 (n_features,)，其中 n_categories[i] 保留輸入第 i 列的最小類別數。
None（預設值）：從訓練資料中自動決定類別數。

0.24 版本新增。

屬性:

category_count_形狀為 (n_features,) 的陣列列表: 為每個特徵保存形狀為 (n_classes, 各自特徵的 n_categories) 的陣列。每個陣列提供特定特徵的每個類別和類別所遇到的樣本數。
class_count_ndarray，形狀為 (n_classes,): 在擬合期間，每個類別所遇到的樣本數。此值會根據提供的樣本權重加權。
class_log_prior_ndarray，形狀為 (n_classes,): 每個類別的平滑經驗對數機率。
classes_ndarray，形狀為 (n_classes,): 分類器已知的類別標籤。
feature_log_prob_形狀為 (n_features,) 的陣列列表: 為每個特徵保存形狀為 (n_classes, 各自特徵的 n_categories) 的陣列。每個陣列提供給定各自特徵和類別的類別經驗對數機率，P(x_i|y)。
n_features_in_int: 在擬合期間看到的特徵數量。

0.24 版本新增。
feature_names_in_ndarray，形狀為 (n_features_in_,): 在擬合期間看到的特徵名稱。只有當 X 具有全部為字串的特徵名稱時才會定義。

1.0 版本新增。
n_categories_ndarray，形狀為 (n_features,)，dtype=np.int64: 每個特徵的類別數。此值是從資料推斷或由最小類別數設定。

0.24 版本新增。

另請參閱

BernoulliNB (伯努利樸素貝氏): 用於多元伯努利模型的樸素貝氏分類器。
ComplementNB (補集樸素貝氏): 互補樸素貝氏分類器。
GaussianNB (高斯樸素貝氏): 高斯樸素貝氏。
MultinomialNB (多項式樸素貝氏): 用於多項式模型的樸素貝氏分類器。

範例

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

fit(X, y, sample_weight=None)[原始碼]#

根據 X、y 擬合樸素貝氏分類器。

參數:

X{array-like，稀疏矩陣}，形狀為 (n_samples, n_features): 訓練向量，其中 n_samples 是樣本數，n_features 是特徵數。此處，假設 X 的每個特徵來自不同的類別分佈。此外，假設每個特徵的所有類別皆由數字 0, …, n - 1 表示，其中 n 表示給定特徵的類別總數。例如，可以使用 OrdinalEncoder 來實現此目的。
yarray-like，形狀為 (n_samples,): 目標值。
sample_weightarray-like，形狀為 (n_samples,)，預設值=None: 套用至個別樣本的權重（未加權則為 1）。

回傳值:

self物件: 回傳實例本身。

get_metadata_routing()[原始碼]#

取得此物件的中繼資料路由。

請查看使用者指南，了解路由機制的運作方式。

回傳值:

routingMetadataRequest: 一個封裝路由資訊的 MetadataRequest。

get_params(deep=True)[原始碼]#

取得此估算器的參數。

參數:

deepbool，預設值為 True: 若為 True，將會回傳此估算器以及所包含的子物件（亦為估算器）的參數。

回傳值:

paramsdict: 參數名稱對應到它們的值。

partial_fit(X, y, classes=None, sample_weight=None)[原始碼]#

在批次樣本上進行增量擬合。

此方法預期會對資料集的不同區塊連續呼叫多次，以實作核外或線上學習。

當整個資料集太大而無法一次放入記憶體時，這特別有用。

此方法有一些效能上的開銷，因此最好對盡可能大的資料區塊（只要符合記憶體預算）呼叫 partial_fit，以隱藏開銷。

參數:

X{array-like，稀疏矩陣}，形狀為 (n_samples, n_features)

訓練向量，其中 n_samples 是樣本數，n_features 是特徵數。此處，假設 X 的每個特徵來自不同的類別分佈。此外，假設每個特徵的所有類別皆由數字 0, …, n - 1 表示，其中 n 表示給定特徵的類別總數。例如，可以使用 OrdinalEncoder 來實現此目的。

yarray-like，形狀為 (n_samples,)

目標值。

classes類陣列，形狀為 (n_classes,)，預設值為 None

所有可能出現在 y 向量中的類別清單。

必須在第一次呼叫 partial_fit 時提供，在後續呼叫中可以省略。

sample_weightarray-like，形狀為 (n_samples,)，預設值=None

套用至個別樣本的權重（未加權則為 1）。

回傳值:

self物件: 回傳實例本身。

predict(X)[原始碼]#

對測試向量陣列 X 執行分類。

參數:

X類陣列，形狀為 (n_samples, n_features): 輸入樣本。

回傳值:

Cndarray，形狀為 (n_samples,): X 的預測目標值。

predict_joint_log_proba(X)[原始碼]#

回傳測試向量 X 的聯合對數機率估計值。

對於 X 的每一列 x 和類別 y，聯合對數機率由 log P(x, y) = log P(y) + log P(x|y) 給出，其中 log P(y) 是類別的先驗機率，而 log P(x|y) 是類別條件機率。

參數:

X類陣列，形狀為 (n_samples, n_features): 輸入樣本。

回傳值:

Cndarray，形狀為 (n_samples, n_classes): 回傳模型中每個類別的樣本聯合對數機率。各列對應於類別，其順序如屬性 classes_ 中出現的已排序類別。

predict_log_proba(X)[原始碼]#

回傳測試向量 X 的對數機率估計值。

參數:

X類陣列，形狀為 (n_samples, n_features): 輸入樣本。

回傳值:

C類陣列，形狀為 (n_samples, n_classes): 回傳模型中每個類別的樣本對數機率。各列對應於類別，其順序如屬性 classes_ 中出現的已排序類別。

predict_proba(X)[原始碼]#

回傳測試向量 X 的機率估計值。

參數:

X類陣列，形狀為 (n_samples, n_features): 輸入樣本。

回傳值:

C類陣列，形狀為 (n_samples, n_classes): 回傳模型中每個類別的樣本機率。各列對應於類別，其順序如屬性 classes_ 中出現的已排序類別。

score(X, y, sample_weight=None)[原始碼]#

回傳給定測試資料和標籤的平均準確度。

在多標籤分類中，這是子集準確度，這是一個嚴格的指標，因為您需要每個樣本的每個標籤集都被正確預測。

參數:

X類陣列，形狀為 (n_samples, n_features): 測試樣本。
y類陣列，形狀為 (n_samples,) 或 (n_samples, n_outputs): X 的真實標籤。
sample_weightarray-like，形狀為 (n_samples,)，預設值=None: 樣本權重。

回傳值:

scorefloat: self.predict(X) 相對於 y 的平均準確度。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → CategoricalNB[原始碼]#

請求傳遞至 fit 方法的中繼資料。

請注意，此方法僅在 enable_metadata_routing=True 時相關（請參閱 sklearn.set_config）。請參閱關於路由機制如何運作的使用者指南。

每個參數的選項如下：

True：請求中繼資料，並在提供時傳遞給 fit。如果未提供中繼資料，則忽略請求。
False：不請求中繼資料，且元估算器不會將其傳遞給 fit。
None：不請求中繼資料，且如果使用者提供，元估算器會引發錯誤。
str：中繼資料應以這個給定的別名傳遞給元估算器，而不是原始名稱。

預設值（sklearn.utils.metadata_routing.UNCHANGED）保留現有的請求。這允許您更改某些參數的請求，而不是其他參數的請求。

在 1.3 版本中新增。

注意

此方法僅在將此估算器用作元估算器的子估算器時才相關，例如在 Pipeline 內部使用。否則沒有效果。

參數:

sample_weightstr、True、False 或 None，預設值=sklearn.utils.metadata_routing.UNCHANGED: fit 中 sample_weight 參數的中繼資料路由。

回傳值:

self物件: 更新後的物件。

set_params(**params)[原始碼]#

設定此估算器的參數。

此方法適用於簡單的估算器以及巢狀物件（例如 Pipeline）。後者具有 <component>__<parameter> 形式的參數，因此可以更新巢狀物件的每個元件。

參數:

**paramsdict: 估算器參數。

回傳值:

self估算器實例: 估算器實例。

set_partial_fit_request(*, classes: bool | None | str = '$UNCHANGED$', sample_weight: bool | None | str = '$UNCHANGED$') → CategoricalNB[原始碼]#

請求傳遞至 partial_fit 方法的中繼資料。

請注意，此方法僅在 enable_metadata_routing=True 時相關（請參閱 sklearn.set_config）。請參閱關於路由機制如何運作的使用者指南。

每個參數的選項如下：

True：請求中繼資料，並在提供時傳遞給 partial_fit。如果未提供中繼資料，則忽略請求。
False：不請求中繼資料，且元估算器不會將其傳遞給 partial_fit。
None：不請求中繼資料，且如果使用者提供，元估算器會引發錯誤。
str：中繼資料應以這個給定的別名傳遞給元估算器，而不是原始名稱。

預設值（sklearn.utils.metadata_routing.UNCHANGED）保留現有的請求。這允許您更改某些參數的請求，而不是其他參數的請求。

在 1.3 版本中新增。

注意

此方法僅在將此估算器用作元估算器的子估算器時才相關，例如在 Pipeline 內部使用。否則沒有效果。

參數:

classesstr、True、False 或 None，預設值=sklearn.utils.metadata_routing.UNCHANGED: partial_fit 中 classes 參數的中繼資料路由。
sample_weightstr、True、False 或 None，預設值=sklearn.utils.metadata_routing.UNCHANGED: partial_fit 中 sample_weight 參數的中繼資料路由。

回傳值:

self物件: 更新後的物件。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → CategoricalNB[原始碼]#

請求傳遞至 score 方法的中繼資料。

請注意，此方法僅在 enable_metadata_routing=True 時相關（請參閱 sklearn.set_config）。請參閱關於路由機制如何運作的使用者指南。

每個參數的選項如下：

True：請求中繼資料，並在提供時傳遞至 score。如果未提供中繼資料，則忽略請求。
False：不請求中繼資料，且 meta-estimator 不會將其傳遞至 score。
None：不請求中繼資料，且如果使用者提供，元估算器會引發錯誤。
str：中繼資料應以這個給定的別名傳遞給元估算器，而不是原始名稱。

預設值（sklearn.utils.metadata_routing.UNCHANGED）保留現有的請求。這允許您更改某些參數的請求，而不是其他參數的請求。

在 1.3 版本中新增。

注意

此方法僅在將此估算器用作元估算器的子估算器時才相關，例如在 Pipeline 內部使用。否則沒有效果。

參數:

sample_weightstr、True、False 或 None，預設值=sklearn.utils.metadata_routing.UNCHANGED: 用於 score 中的 sample_weight 參數的中繼資料路由。

回傳值:

self物件: 更新後的物件。