"""
Created on Sat Aug 5 12:07:15 2017
@author: luogan
"""
import numpy
as np
X = np.array([[-
1, -
1], [-
2, -
1], [-
3, -
2], [
1,
1], [
2,
1], [
3,
2]])
Y = np.array([
1,
2,
3,
4,
5,
6])
from sklearn.naive_bayes
import GaussianNB
clf = GaussianNB().fit(X, Y)
print (clf.predict([[-
0.8,-
1]]) )
'''''
partial_fit说明：增量的训练一批样本
这种方法被称为连续几次在不同的数据集，从而实现核心和在线学习，这是特别有用的，当数据集很大的时候，不适合在内存中运算
该方法具有一定的性能和数值稳定性的开销，因此最好是作用在尽可能大的数据块（只要符合内存的预算开销）
'''
clf_pf = GaussianNB().partial_fit(X, Y, np.unique(Y))
print( clf_pf.predict([[
2,-
1]]) )
import numpy
as np
X = np.random.randint(
5, size=(
6,
100))
y = np.array([
1,
2,
3,
4,
5,
6])
from sklearn.naive_bayes
import MultinomialNB
clf = MultinomialNB().fit(X, y)
print (clf.predict(X[
2:
3]))
import numpy
as np
X = np.random.randint(
2, size=(
6,
100))
Y = np.array([
1,
2,
3,
4,
4,
5])
from sklearn.naive_bayes
import BernoulliNB
clf = BernoulliNB()
clf.fit(X, Y)
BernoulliNB(alpha=
1.0, binarize=
0.0, class_prior=
None, fit_prior=
True)
print(clf.predict(X[
2:
3]))
原文链接
