多项式贝叶斯分类器jupyter

多项式贝叶斯分类器是一种基于贝叶斯定理的分类算法。它假设特征之间相互独立，并且特征的概率分布服从多项式分布。在scikit-learn库中，可以使用sklearn.naive_bayes.MultinomialNB类来构建多项式贝叶斯分类器。

MultinomialNB类的主要参数包括alpha、fit_prior和class_prior。其中，alpha参数用于设置平滑项的值，以避免概率为零的情况。fit_prior参数用于指定是否使用均匀分布作为类别的先验概率，如果设置为True，则使用均匀分布，否则使用P(y=ck)作为先验概率。class_prior参数用于指定每个分类的先验概率。

该类还提供了几个属性，包括class_log_prior_、feature_log_prob_、class_count_和feature_count_。其中，class_log_prior_是一个形状为(n_classes,)的数组对象，给出了每个类别调整后的经验概率分布的对数值。feature_log_prob_是一个形状为(n_classes,n_features)的数组对象，给出了P(Xj/y=ck)的经验概率分布的对数值。class_count_表示每个类别包含的训练样本数量，而feature_count_表示每个类别每个特征遇到的样本数。

以下是一个使用多项式贝叶斯分类器进行测试的示例代码：

from sklearn import naive_bayes

def test_MultinomialNB(*data):
    X_train, X_test, y_train, y_test = data
    cls = naive_bayes.MultinomialNB()
    cls.fit(X_train, y_train)
    print('Training Score: %.2f' % cls.score(X_train, y_train))
    print('Testing Score: %.2f' % cls.score(X_test, y_test))

X_train, X_test, y_train, y_test = load_data()
test_MultinomialNB(X_train, X_test, y_train, y_test)