[数据挖掘之scikit-learn] sklean.naive_bayes实例详解_sklearning na茂ve bayes

概述

朴素贝叶斯分类算法主要是基于概率模型建立的分类算法。主要原理详见《小瓜讲机器学习——分类算法（三）朴素贝叶斯法（naive Bayes）算法原理及Python代码实现》。这里我们介绍sklearn中的朴素贝叶斯分类器。

2. sklearn.naive_bayes

2.1 sklearn.naive_bayes.MultinomialNB

MultinomialNB能够处理特征是离散数据的情况，比如多项式模型能够处理文本分类中的以词频为特征的情况。原理在《小瓜讲机器学习——分类算法（三）朴素贝叶斯法（naive Bayes）算法原理及Python代码实现》中有详细介绍。

sklearn.naive_bayes.MultinomialNB(alpha=1.0, fit_prior=True, class_prior=None)
1

参数说明：
1.alpha：平滑参数
2.fit_prior：是否考虑先验概率$P(y)$，如果是false，则所有样本类别有相同的先验概率；
3.class_prior：设定先验概率$P(y)$，如果不设定，从样本的极大似然估计得到。

属性说明：
1.class_log_prior_：经过平滑后的先验概率的log值
2.intercept_：与上值同；
3.feature_log_prob_：每个类的各个特征概率(即先验条件概率$P(x_i|y)$)
4.coef_：与上值同；
5.class_count_：训练样本中每个类别的样本数；
6.feature_count_：每个类别中的各个特征出现次数。

2.1.1 MultinomialNB示例

import numpy as np
x = np.random.randint(5, size=(6, 10))
y = np.array([1, 2, 3, 4, 5, 6])
from sklearn.naive_bayes import MultinomialNB
clf = MultinomialNB()
clf.fit(x, y)
print('------- feature vector -------')
print(x)
print('------- prior of each class ------')
print(clf.class_log_prior_)
print('------- probability of features in each class ------')
print(clf.feature_log_prob_)
print('------- predict ------')
print(clf.predict(x[2:3]))
1
2
3
4
5
6
7
8
9
10
11
12
13
14

结果如下：

------- feature vector -------
------- feature vector -------
[[0 3 0 0]
 [4 1 4 4]
 [1 4 0 1]
 [2 3 0 3]
 [1 0 2 0]
 [0 0 4 1]]
------- prior of each class ------
[-1.79175947 -1.79175947 -1.79175947 -1.79175947 -1.79175947 -1.79175947]
------- probability of features in each class ------
[[-1.94591015 -0.55961579 -1.94591015 -1.94591015]
 [-1.22377543 -2.14006616 -1.22377543 -1.22377543]
 [-1.60943791 -0.69314718 -2.30258509 -1.60943791]
 [-1.38629436 -1.09861229 -2.48490665 -1.09861229]
 [-1.25276297 -1.94591015 -0.84729786 -1.94591015]
 [-2.19722458 -2.19722458 -0.58778666 -1.5040774 ]]
------- predict ------
[3]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

2.2 sklearn.naive_bayes.BernoulliNB

BernouliNB只能处理特征是二值的离散数据的情况，假设数据特征呈现伯努利分布，则后验概率由下式确定
$特征x_i=1时,P(x_i|y)=P(x_i=1|y)$
$特征x_i=0时,P(x_i|y)=P(x_i=0|y)$

sklearn.naive_bayes.BernoulliNB(alpha=1.0, binarize=0.0, fit_prior=True, class_prior=None)
1

参数说明：
1.alpha(default=1.0)：平滑参数
2.binarize(default=0.0)：
3.fit_prior(default=True)：是否考虑先验概率$P(y)$，如果是false，则所有样本类别有相同的先验概率；
4.class_prior(default=None)：设定先验概率$P(y)$，如果不设定，从样本的极大似然估计得到。

属性说明：
1.class_log_prior_：经过平滑后的先验概率的log值
2.feature_log_prob_：每个类的各个特征概率(即先验条件概率$P(x_i|y)$)
3.class_count_：训练样本中每个类别的样本数；
4.feature_count_：每个类别中的各个特征出现次数。

2.2.1 BernoulliNB示例

import numpy as np
from sklearn.naive_bayes import BernoulliNB

x = np.random.randint(2, size=(6, 4))
y = np.array([1, 2, 3, 4, 5, 6])

clf = BernoulliNB()
clf.fit(x, y)
print('------- feature vector -------')
print(x)
print('------- prior of each class ------')
print(clf.class_log_prior_)
print('------- probability of features in each class ------')
print(clf.feature_log_prob_)
print('------- predict ------')
print(clf.predict(x[2:3]))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

输出如下

------- feature vector -------
[[0 1 1 0]
 [0 0 0 0]
 [0 1 0 0]
 [0 1 1 0]
 [0 1 1 1]
 [1 1 0 1]]
------- prior of each class ------
[-1.79175947 -1.79175947 -1.79175947 -1.79175947 -1.79175947 -1.79175947]
------- probability of features in each class ------
[[-1.09861229 -0.40546511 -0.40546511 -1.09861229]
 [-1.09861229 -1.09861229 -1.09861229 -1.09861229]
 [-1.09861229 -0.40546511 -1.09861229 -1.09861229]
 [-1.09861229 -0.40546511 -0.40546511 -1.09861229]
 [-1.09861229 -0.40546511 -0.40546511 -0.40546511]
 [-0.40546511 -0.40546511 -1.09861229 -0.40546511]]
------- predict ------
[3]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

2.3 sklearn.naive_bayes.GaussianNB

GaussianNB是高斯型朴素贝叶斯分类器，它假设了条件概率$P(x_i|y)$符合高斯分布，即
$$P(x_i|y)=\frac{1}{\sqrt{2\pi {\sigma }_y^2}}\exp (-\frac{(x_i-{\mu }_y{)}^2}{2{\sigma }_y^2})$$
参数${\sigma }_y$和${\mu }_y$用最大似然估计得到。

sklearn.naive_bayes.GaussianNB(priors=None, var_smoothing=1e-09)
1

参数说明：
1.prior：每个类的先验概率，若不设定，则通过样本极大似然估计得到；
2.var_smoothing：比例因子，将所有特征中最大的方差的一定比例添加到方差中，为了计算稳定性（原文：Portion of the largest variance of all features that is added to variances for calculation stability）

属性说明：
1.class_prior：分属不同类的概率；
2.class_count_：每个类的样本数；
3.theta_：每个类的特征均值；
4.sigma_：每个类的特征方差
5.epsilon_：方差增加值?

2.3.1 GaussianNB示例

训练样本如下

4.45925637575900	8.22541838354701	0
0.0432761720122110	6.30740040001402	0
6.99716180262699	9.31339338579386	0
4.75483224215432	9.26037784240288	0
8.66190392439652	9.76797698918454	0
...
4.21408348419092	2.97014277918461	1
5.52248511695330	3.63263027130760	1
4.15244831176753	1.44597290703838	1
9.55986996363196	1.13832040773527	1
1.63276516895206	0.446783742774178	1
9.38532498107474	0.913169554364942	1
1
2
3
4
5
6
7
8
9
10
11
12

代码如下

import numpy as np
from sklearn.naive_bayes import GaussianNB

with open(r'H:\python dataanalysis\sklearn\naive_bayes_data.txt') as f:
	data = []
	label = []
    for loopi in f.readlines():
    	line = loopi.strip().split('\t')
    	data.append([float(line[0]), float(line[1])])
    	label.append(float(line[2]))

feature = np.array(data)
label = np.array(label)
clf = GaussianNB()
clf.fit(feature, label)

print('----priors probablity of each class----')
print(clf.class_prior_)
print('----number of samples in each class----')
print(clf.class_count_)
print('-----mean of each feature per class------')
print(clf.theta_)
print('-----variance of each feature per class------')
print(clf.sigma_)

x = np.array([1.0,1.0]).reshape((1,2))
print('-----predict------')
print(clf.predict(x))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

结果如下

----priors probablity of each class----
[0.5 0.5]
----number of samples in each class----
[100. 100.]
-----mean of each feature per class------
[[4.11770459 7.57552293]
 [5.76083782 2.3511532 ]]
-----variance of each feature per class------
[[6.60834055 4.73694733]
 [6.18880712 3.96585982]]
 -----predict------
[1.]
1
2
3
4
5
6
7
8
9
10
11
12