sklearn.naive_bayes.GaussianNB¶
- class sklearn.naive_bayes.GaussianNB¶
Gaussian Naive Bayes (GaussianNB)
Puede realizar actualizaciones en línea de los parámetros del modelo mediante
partial_fit. Para más detalles sobre el algoritmo utilizado para actualizar las medias y la varianza de las características en línea, ver el informe técnico de Stanford CS STAN-CS-79-773 de Chan, Golub y LeVeque:Lee más en el Manual de usuario.
- Parámetros
- priorsarray-like de forma (n_classes,)
Probabilidades a priori de las clases. Si se especifica, las probabilidades a priori no se ajustan en función de los datos.
- var_smoothingfloat, default=1e-9
Porción de la mayor varianza de todas las características que se añade a las varianzas para la estabilidad del cálculo.
Nuevo en la versión 0.20.
- Atributos
- class_count_ndarray de forma (n_classes,)
número de muestras de entrenamiento observadas en cada clase.
- class_prior_ndarray de forma (n_classes,)
probabilidad de cada clase.
- classes_ndarray de forma (n_classes,)
etiquetas de clase conocidas por el clasificador
- epsilon_float
valor aditivo absoluto a las varianzas
- sigma_ndarray de forma (n_classes, n_features)
varianza de cada característica por clase
- theta_ndarray de forma (n_classes, n_features)
media de cada característica por clase
Ejemplos
>>> import numpy as np >>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]]) >>> Y = np.array([1, 1, 1, 2, 2, 2]) >>> from sklearn.naive_bayes import GaussianNB >>> clf = GaussianNB() >>> clf.fit(X, Y) GaussianNB() >>> print(clf.predict([[-0.8, -1]])) [1] >>> clf_pf = GaussianNB() >>> clf_pf.partial_fit(X, Y, np.unique(Y)) GaussianNB() >>> print(clf_pf.predict([[-0.8, -1]])) [1]
Métodos
Ajustar Gaussian Naive Bayes según X, y
Obtiene los parámetros para este estimador.
Ajuste incremental en un lote de muestras.
Realiza la clasificación en un arreglo de vectores de prueba X.
Devuelve estimaciones de probabilidad logarítmica para el vector de prueba X.
Devuelve estimaciones de probabilidad para el vector de prueba X.
Devuelve la precisión media en los datos y etiquetas de prueba dados.
Establece los parámetros de este estimador.
- fit()¶
Ajustar Gaussian Naive Bayes según X, y
- Parámetros
- Xarray-like de forma (n_samples, n_features)
Vectores de entrenamiento, donde n_samples es el número de muestras y n_features es el número de características.
- yarray-like de forma (n_samples,)
Valores objetivo.
- sample_weightarray-like de forma (n_samples,), default=None
Ponderaciones aplicadas a las muestras individuales (1. para las no ponderadas).
Nuevo en la versión 0.17: Gaussian Naive Bayes soporta el ajuste con sample_weight.
- Devuelve
- selfobject
- get_params()¶
Obtiene los parámetros para este estimador.
- Parámetros
- deepbooleano, default=True
Si es True, devolverá los parámetros para este estimador y los sub objetos contenidos que son estimadores.
- Devuelve
- paramsdict
Nombres de parámetros mapeados a sus valores.
- partial_fit()¶
Ajuste incremental en un lote de muestras.
Se espera que este método sea llamado varias veces consecutivamente en diferentes trozos de un conjunto de datos para implementar el aprendizaje fuera del núcleo o en línea.
Esto es especialmente útil cuando todo el conjunto de datos es demasiado grande para caber en la memoria de una sola vez.
Este método tiene una cierta sobrecarga de rendimiento y estabilidad numérica, por lo que es mejor invocar a partial_fit en trozos (chunks) de datos tan grandes como sea posible (siempre que se ajusten al presupuesto de memoria) para ocultar la sobrecarga.
- Parámetros
- Xarray-like de forma (n_samples, n_features)
Vectores de entrenamiento, donde n_samples es el número de muestras y n_features es el número de características.
- yarray-like de forma (n_samples,)
Valores objetivo.
- classesarray-like de forma (n_classes), default=None
Lista de todas las clases que pueden aparecer en el vector y.
Debe proporcionarse en la primera llamada a partial_fit, puede omitirse en las invocaciones posteriores.
- sample_weightarray-like de forma (n_samples,), default=None
Ponderaciones aplicadas a las muestras individuales (1. para las no ponderadas).
Nuevo en la versión 0.17.
- Devuelve
- selfobject
- predict()¶
Realiza la clasificación en un arreglo de vectores de prueba X.
- Parámetros
- Xarray-like de forma (n_samples, n_features)
- Devuelve
- Cndarray de forma (n_samples,)
Valores objetivo predichos para X
- predict_log_proba()¶
Devuelve estimaciones de probabilidad logarítmica para el vector de prueba X.
- Parámetros
- Xarray-like de forma (n_samples, n_features)
- Devuelve
- Carray-like de forma (n_samples, n_classes)
Devuelve la probabilidad logarítmica de las muestras para cada clase del modelo. Las columnas corresponden a las clases ordenadas, tal y como aparecen en el atributo classes_.
- predict_proba()¶
Devuelve estimaciones de probabilidad para el vector de prueba X.
- Parámetros
- Xarray-like de forma (n_samples, n_features)
- Devuelve
- Carray-like de forma (n_samples, n_classes)
Devuelve la probabilidad de las muestras para cada clase del modelo. Las columnas corresponden a las clases ordenadas, tal y como aparecen en el atributo classes_.
- score()¶
Devuelve la precisión media en los datos y etiquetas de prueba dados.
En la clasificación multietiqueta, se trata de la precisión del subconjunto, que es una métrica rigurosa, ya que se requiere para cada muestra que cada conjunto de etiquetas sea predicho correctamente.
- Parámetros
- Xarray-like de forma (n_samples, n_features)
Muestras de prueba.
- yarray-like de forma (n_samples,) o (n_samples, n_outputs)
Etiquetas True para
X.- sample_weightarray-like de forma (n_samples,), default=None
Ponderaciones de la muestra.
- Devuelve
- scorefloat
Precisión media de
self.predict(X)con respecto ay.
- set_params()¶
Establece los parámetros de este estimador.
El método funciona tanto con estimadores simples como en objetos anidados (como
Pipeline). Estos últimos tienen parámetros de la forma<component>__<parameter>para que sea posible actualizar cada componente de un objeto anidado.- Parámetros
- **paramsdict
Parámetros del estimador.
- Devuelve
- selfinstancia del estimador
Instancia de estimador.
