朴素贝叶斯分类器

1. 朴素贝叶斯分类器是一个以贝叶斯定理为基础的多分类的分类器。对于给定数据，首先基于特征的条件独立性假设，学习输入输出的联合概率分布， 然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率的最大的输出y
2.  在sklean中，实现了三个朴素贝叶斯分类器：

分类器	描述
naive_bayes.GaussianNB	高斯朴素贝叶斯
naive_bayes.MultinomialNB	针对多项式模型的朴素贝叶斯分类器
naive_bayes.BernoulliNB	针对多远伯努利模型的朴素贝叶斯分类器

• 参数：priors:给定类别的先验概率。如果为空，则按训练数据的实际情况进行统计，如果给定先验概率，则在训练过程不能更改。
   

  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(priors=None)
  clf.fit(X,Y)
  print(clf.predict([[-0.8,-1]]))

 

 

•  朴素贝叶斯是典型的生成学习方法，由训练数据学习联合概率分布，并求得后验概率分布
•  朴素贝叶斯一般在小规模数据上表现很好，适合进行多分类任务。