我正在将 scikit-learn 机器学习库 (Python) 用于机器学习项目。我使用的算法之一是高斯朴素贝叶斯实现。 GaussianNB() 函数的属性之一如下:
class_prior_ : array, shape (n_classes,)
我想手动更改类，因为我使用的数据非常倾斜，并且其中一个类的召回非常重要。通过为该类别分配高先验概率，召回率应该会增加。
但是，我不知道如何正确设置属性。我已经阅读了以下主题，但他们的答案对我不起作用。
How can the prior probabilities manually set for the Naive Bayes clf in scikit-learn?
How do I know what prior's I'm giving to sci-kit learn? (Naive-bayes classifiers.)
这是我的代码:
gnb = GaussianNB()
gnb.class_prior_ = [0.1, 0.9]
gnb.fit(data.XTrain, yTrain)
yPredicted = gnb.predict(data.XTest)
我认为这是正确的语法，我可以通过使用这些值找出哪个类属于数组中的哪个位置，但结果保持不变。也没有给出错误。
从 scikit-learn 库中设置 GaussianNB 算法属性的正确方法是什么？
Link to the scikit documentation of GaussianNB
最佳答案
scikit-learn 中实现的 GaussianNB() 不允许您先设置类。如果您阅读在线文档，您会看到 .class_prior_ 是 属性 而不是 参数 。拟合 GaussianNB() 后，您就可以访问 class_prior_ 属性。它是通过简单地计算训练样本中不同标签的数量来计算的。
from sklearn.datasets import make_classification
from sklearn.naive_bayes import GaussianNB
# simulate data with unbalanced weights
X, y = make_classification(n_samples=1000, weights=[0.1, 0.9])
# your GNB estimator
gnb = GaussianNB()
gnb.fit(X, y)
gnb.class_prior_
Out[168]: array([ 0.105, 0.895])
gnb.get_params()
Out[169]: {}
您会看到估算器足够聪明，可以考虑不平衡的重量问题。所以你不必手动指定先验。
关于python - 如何指定 scikit-learn 的朴素贝叶斯的先验概率，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/25248583/