sklearn学习之贝叶斯分类_sklearn 贝叶斯分类

主要是介绍贝叶斯分类器
1.高斯贝叶斯分类器
class sklearn.naive_bayes.GaussianNB
高斯贝叶斯分类器没有参数

2.多项式贝叶斯分类器
class sklearn.naive_bayes.MultinomialNB(alpha=1.0,fit_prior=True,class_prior=None)
参数含义如下：
alpha：一个浮点数，指定alpha的值
fit_prior:布尔值，如果为Ture，则不用去学习P(y=ck),以均匀分布替代，否则则去学习P（y=ck）
class_prior:一个数组。它指定了每个分类的先验概率P(y=c1),P(y=c2)…..,若指定了该参数
则每个分类的先验概率无需学习
伯努利贝叶斯分类器
class sklearn.naive_bayes.BernoulliNB(alpha=1.0,binarize=0.0,fit_prior=Ture,
class_prior=None)
参数含义如下：
alpha：一个浮点数，指定alpha的值
binarize:一个浮点数或者None
如果为浮点数则以该数值为界，特征值大于它的取1，小于的为0
如果为None，假定原始数据已经二值化
fit_prior:布尔值，如果为Ture，则不用去学习P(y=ck),以均匀分布替代，否则则去学习P（y=ck）
class_prior:一个数组。它指定了每个分类的先验概率P(y=c1),P(y=c2)…..,若指定了该参数
则每个分类的先验概率无需学习

from sklearn import datasets,cross_validation,naive_bayes
import numpy as np
import matplotlib.pyplot as plt

def show_digits():
    digits=datasets.load_digits()
    fig=plt.figure()
    print('vector from image 0:',digits.data[0])
    for i in range(25):
        ax=fig.add_subplot(5,5,i+1)
        ax.imshow(digits.images[i],cmap=plt.cm.gray_r,interpola
1
2
3
4
5
6
7
8
9
10
11