r - R中的多项式朴素贝叶斯分类器

我正在重新提问（同名）Multinomial Naive Bayes Classifier。这个问题似乎已经接受了我认为是错误的答案，或者我想进一步解释，因为我仍然不明白。

到目前为止，我在R中看到的每个朴素贝叶斯分类器（包括bnlearn和klaR）都具有假设这些特征具有高斯似然性的实现。

R中是否存在使用多项似然性（类似于scikit-learn's MultinomialNB）的朴素贝叶斯分类器的实现？

特别是-如果事实证明在这两个模块中的任何一个中都有某种调用naive.bayes的方式，因此可以通过多项式分布来估计可能性-我将非常欣赏一个示例。我已经搜索了示例，但没有找到任何示例。例如：这是usekernal中klaR.NaiveBayes自变量的含义吗？

最佳答案

我不知道predict方法在naive.bayes模型上调用哪种算法，但是您可以自己根据条件概率表（预测值）计算预测

# You may need to get dependencies of gRain from here
#   source("http://bioconductor.org/biocLite.R")
#   biocLite("RBGL")

    library(bnlearn)
    library(gRain)

使用naive.bayes帮助页面中的第一个示例

    data(learning.test)

    # fit model
    bn <- naive.bayes(learning.test, "A")

    # look at cpt's
    fit <- bn.fit(bn, learning.test)

    # check that the cpt's (proportions) are the mle of the multinomial dist.
    # Node A:
    all.equal(prop.table(table(learning.test$A)), fit$A$prob)
    # Node B:
    all.equal(prop.table(table(learning.test$B, learning.test$A),2), fit$B$prob)


    # look at predictions - include probabilities
    pred <- predict(bn, learning.test, prob=TRUE)
    pr <- data.frame(t(attributes(pred)$prob))
    pr <- cbind(pred, pr)

    head(pr, 2)

#   preds          a          b          c
# 1     c 0.29990442 0.33609392 0.36400165
# 2     a 0.80321241 0.17406706 0.02272053

通过运行查询从cpt计算预测概率-使用'gRain'

    # query using junction tree- algorithm
    jj <- compile(as.grain(fit))

    # Get ptredicted probs for first observation
    net1 <- setEvidence(jj, nodes=c("B", "C", "D", "E", "F"),
                                         states=c("c", "b", "a", "b", "b"))

    querygrain(net1, nodes="A", type="marginal")

# $A
# A
#        a         b         c
# 0.3001765 0.3368022 0.3630213

    # Get ptredicted probs for secondobservation
    net2 <- setEvidence(jj, nodes=c("B", "C", "D", "E", "F"),
                                         states=c("a", "c", "a", "b", "b"))

    querygrain(net2, nodes="A", type="marginal")

# $A
# A
#         a          b          c
# 0.80311043 0.17425364 0.02263593

因此，这些概率与您从bnlearn获得的概率非常接近，并且是使用mle来计算的，