在scikit学习中，我正在使用MultinomialNB对标签文本数据进行多类分类。
在预测时，我使用了multinomialNB的“ predict_proba”功能
clf=MultinomialNB()
print(clf.fit(X_train,Y_train))
clf.predict_proba(X_test[0])
结果，我得到了每个类别的概率值矢量，这些矢量加起来为1。我知道这是因为softmax交叉熵函数。
数组（[[0.01245064、0.02346781、0.84694063、0.03238112、0.01833107，
0.03103464，0.03539408]]）
我的问题是，在预测我需要有binary_cross_entropy的同时，我将获得一个介于0和1之间且彼此独立的每个类别的概率值向量。那么在scikit-learn中进行预测时如何更改函数？
最佳答案
您可以使用以下方法获得每个类的对数可能性：
_joint_log_likelihood(self, X):
"""Compute the unnormalized posterior log probability of X
I.e. ``log P(c) + log P(x|c)`` for all rows x of X, as an array-like of
shape [n_classes, n_samples].
Input is passed to _joint_log_likelihood as-is by predict,
predict_proba and predict_log_proba.
"""
朴素贝叶斯的predict_log_proba可以简单地通过标准化上面的函数来工作。
def predict_log_proba(self, X):
"""
Return log-probability estimates for the test vector X.
Parameters
----------
X : array-like, shape = [n_samples, n_features]
Returns
-------
C : array-like, shape = [n_samples, n_classes]
Returns the log-probability of the samples for each class in
the model. The columns correspond to the classes in sorted
order, as they appear in the attribute `classes_`.
"""
jll = self._joint_log_likelihood(X)
# normalize by P(x) = P(f_1, ..., f_n)
log_prob_x = logsumexp(jll, axis=1)
return jll - np.atleast_2d(log_prob_x).T
关于python-3.x - 多项式朴素贝叶斯softmax更改，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/53690588/