MultinomialNB#

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

用於多項式模型的樸素貝氏分類器。

多項式樸素貝氏分類器適用於具有離散特徵的分類（例如，用於文本分類的字數統計）。多項式分佈通常需要整數特徵計數。然而，在實踐中，諸如 tf-idf 之類的小數計數也可能有效。

請在使用者指南中閱讀更多內容。

參數：
alphafloat 或形狀為 (n_features,) 的類陣列，預設值為 1.0

附加（拉普拉斯/李德斯通）平滑參數（將 alpha 設為 0，並將 force_alpha 設為 True，表示不進行平滑處理）。

force_alphabool，預設值為 True

如果 False 且 alpha 小於 1e-10，則會將 alpha 設為 1e-10。如果為 True，則 alpha 將保持不變。如果 alpha 太接近 0，則可能會導致數值錯誤。

在 1.2 版本中新增。

版本 1.4 變更：force_alpha 的預設值已變更為 True。

fit_priorbool，預設值為 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_prior形狀為 (n_classes,) 的類陣列，預設值為 None

類別的先驗機率。若有指定，則先驗機率不會根據資料進行調整。

屬性:
class_count_形狀為 (n_classes,) 的 ndarray

在擬合期間，每個類別所遇到的樣本數量。當提供樣本權重時，此值會依樣本權重加權。

class_log_prior_形狀為 (n_classes,) 的 ndarray

每個類別的平滑經驗對數機率。

classes_形狀為 (n_classes,) 的 ndarray

分類器已知的類別標籤

feature_count_形狀為 (n_classes, n_features) 的 ndarray

在擬合期間，每個 (類別, 特徵) 所遇到的樣本數量。當提供樣本權重時，此值會依樣本權重加權。

feature_log_prob_形狀為 (n_classes, n_features) 的 ndarray

在給定類別的情況下，特徵的經驗對數機率，P(x_i|y)。

n_features_in_int

在 fit 期間看到的特徵數量。

在版本 0.24 中新增。

feature_names_in_形狀為 (n_features_in_,) 的 ndarray

在 fit 期間看到的特徵名稱。僅當 X 具有全部為字串的特徵名稱時才定義。

在版本 1.0 中新增。

另請參閱

BernoulliNB

用於多元伯努利模型的朴素貝氏分類器。

CategoricalNB

用於類別特徵的朴素貝氏分類器。

ComplementNB

補集朴素貝氏分類器。

GaussianNB

高斯朴素貝氏。

參考文獻

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

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 MultinomialNB
>>> clf = MultinomialNB()
>>> clf.fit(X, y)
MultinomialNB()
>>> print(clf.predict(X[2:3]))
[3]
fit(X, y, sample_weight=None)[原始碼]#

根據 X、y 擬合朴素貝氏分類器。

參數：
X形狀為 (n_samples, n_features) 的 {類陣列，稀疏矩陣}

訓練向量，其中 n_samples 是樣本數量，而 n_features 是特徵數量。

y形狀為 (n_samples,) 的類陣列

目標值。

sample_weight形狀為 (n_samples,) 的類陣列，預設值為 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

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，則會回傳此估算器以及所含子物件（亦為估算器）的參數。

回傳值:
paramsdict

參數名稱對應至其值的字典。

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

在一批樣本上進行增量擬合。

此方法預期會針對資料集的不同區塊連續呼叫數次，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，此方法特別有用。

此方法有一些效能開銷，因此最好在盡可能大的資料區塊上呼叫 partial_fit（只要符合記憶體預算即可）以隱藏開銷。

參數：
X形狀為 (n_samples, n_features) 的 {類陣列，稀疏矩陣}

訓練向量，其中 n_samples 是樣本數量，而 n_features 是特徵數量。

y形狀為 (n_samples,) 的類陣列

目標值。

classes形狀為 (n_classes,) 的類陣列，預設值為 None

可能出現在 y 向量中的所有類別清單。

必須在第一次呼叫 partial_fit 時提供，後續呼叫可以省略。

sample_weight形狀為 (n_samples,) 的類陣列，預設值為 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]#

在測試向量 X 的陣列上執行分類。

參數：
X形狀為 (n_samples, n_features) 的類陣列

輸入樣本。

回傳值:
C形狀為 (n_samples,) 的 ndarray

X 的預測目標值。

predict_joint_log_proba(X)[原始碼]#

返回測試向量 X 的聯合對數機率估計值。

對於 X 的每一行 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) 是類別先驗機率，而 log P(x|y) 是類別條件機率。

參數：
X形狀為 (n_samples, n_features) 的類陣列

輸入樣本。

回傳值:
C形狀為 (n_samples, n_classes) 的 ndarray

返回模型中每個類別的樣本聯合對數機率。這些列對應於類別按排序後的順序，如同它們在屬性 classes_ 中顯示的一樣。

predict_log_proba(X)[原始碼]#

返回測試向量 X 的對數機率估計值。

參數：
X形狀為 (n_samples, n_features) 的類陣列

輸入樣本。

回傳值:
C形狀為 (n_samples, n_classes) 的類陣列 (array-like)

返回模型中每個類別的樣本對數機率。這些列對應於類別按排序後的順序，如同它們在屬性 classes_ 中顯示的一樣。

predict_proba(X)[原始碼]#

返回測試向量 X 的機率估計值。

參數：
X形狀為 (n_samples, n_features) 的類陣列

輸入樣本。

回傳值:
C形狀為 (n_samples, n_classes) 的類陣列 (array-like)

返回模型中每個類別的樣本機率。這些列對應於類別按排序後的順序，如同它們在屬性 classes_ 中顯示的一樣。

score(X, y, sample_weight=None)[原始碼]#

返回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，這是一個嚴苛的指標，因為您要求每個樣本的每個標籤集都被正確預測。

參數：
X形狀為 (n_samples, n_features) 的類陣列

測試樣本。

y形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類陣列 (array-like)

X 的真實標籤。

sample_weight形狀為 (n_samples,) 的類陣列，預設值為 None

樣本權重。

回傳值:
score浮點數 (float)

self.predict(X) 相對於 y 的平均準確度。

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

請求傳遞至 fit 方法的中繼資料。

請注意，只有當 enable_metadata_routing=True 時，此方法才相關（請參閱 sklearn.set_config）。請參閱 使用者指南，了解路由機制如何運作。

每個參數的選項如下

  • True：請求中繼資料，如果提供，則傳遞至 fit。如果未提供中繼資料，則會忽略該請求。

  • False：不請求中繼資料，並且元估計器不會將其傳遞至 fit。

  • None：不請求中繼資料，如果使用者提供，則元估計器會引發錯誤。

  • str：中繼資料應使用此給定的別名而不是原始名稱傳遞給元估計器。

預設值（sklearn.utils.metadata_routing.UNCHANGED）會保留現有的請求。這讓您可以更改某些參數的請求，而不用更改其他參數。

在版本 1.3 中新增。

注意

只有當此估計器用作元估計器的子估計器時，此方法才相關，例如在 Pipeline 內使用。否則它沒有任何作用。

參數：
sample_weight字串、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

已更新的物件。

set_params(**params)[來源]#

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組件。

參數：
**params字典

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 = '$UNCHANGED$') → MultinomialNB[來源]#

請求傳遞至 partial_fit 方法的中繼資料。

請注意，只有當 enable_metadata_routing=True 時，此方法才相關（請參閱 sklearn.set_config）。請參閱 使用者指南，了解路由機制如何運作。

每個參數的選項如下

  • True：請求中繼資料，如果提供，則將其傳遞至 partial_fit。如果未提供中繼資料，則會忽略此請求。

  • False：不請求中繼資料，且中繼估算器不會將其傳遞至 partial_fit。

  • None：不請求中繼資料，如果使用者提供，則元估計器會引發錯誤。

  • str：中繼資料應使用此給定的別名而不是原始名稱傳遞給元估計器。

預設值（sklearn.utils.metadata_routing.UNCHANGED）會保留現有的請求。這讓您可以更改某些參數的請求，而不用更改其他參數。

在版本 1.3 中新增。

注意

只有當此估計器用作元估計器的子估計器時，此方法才相關，例如在 Pipeline 內使用。否則它沒有任何作用。

參數：
classes字串、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_weight字串、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

已更新的物件。

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

請求傳遞至 score 方法的中繼資料。

請注意，只有當 enable_metadata_routing=True 時，此方法才相關（請參閱 sklearn.set_config）。請參閱 使用者指南，了解路由機制如何運作。

每個參數的選項如下

  • True：請求中繼資料，如果提供，則將其傳遞至 score。如果未提供中繼資料，則會忽略此請求。

  • False：不請求中繼資料，且中繼估算器不會將其傳遞至 score。

  • None：不請求中繼資料，如果使用者提供，則元估計器會引發錯誤。

  • str：中繼資料應使用此給定的別名而不是原始名稱傳遞給元估計器。

預設值（sklearn.utils.metadata_routing.UNCHANGED）會保留現有的請求。這讓您可以更改某些參數的請求，而不用更改其他參數。

在版本 1.3 中新增。

注意

只有當此估計器用作元估計器的子估計器時，此方法才相關，例如在 Pipeline 內使用。否則它沒有任何作用。

參數：
sample_weight字串、True、False 或 None，預設值=sklearn.utils.metadata_routing.UNCHANGED

score 中 sample_weight 參數的中繼資料路由。

回傳值:
self物件

已更新的物件。