介绍

伯努利分布朴素贝叶斯（BernoulliNB)，适用于二项分布，即：二分类问题，如：是否、对错

数据集中可以存在 多个特征，但每个特征都是 二分类 的，可以用布尔变量表示，也可以表示为 0，1 或者 -1，1 等任意二分类组合

注意：要求将样本转换为二分类特征向量

声明

class sklearn.naive_bayes.BernoulliNB(
    alpha=1.0,
    binarize=0.0,
    fit_prior=True,
    class_prior=None
)

形参解释：

• alpha : 浮点数, 可不填 (默认为1.0)
  拉普拉斯或利德斯通平滑的参数 λ，如果设置为0则表示完全没有平滑选项。
  注意：平滑相当于人为给概率加上一些噪音，因此λ 设置得越大，伯努利朴素贝叶斯的精确性会越低（虽然影响不是非常大），布里尔分数也会逐渐升高。

• binarize : 浮点数或None，可不填，默认为0
  将特征二值化的阈值，如果设定为None，则假定为特征已经被二值化完毕

• fit_prior : 布尔值, 可不填 (默认为True)
  是否学习先验概率 P(Y=c)。如果设置为false，则不使用先验概率，而使用统一先验概率（uniform prior），即认为每个标签类出现的概率是 1 / n_classes

• class_prior：形似数组的结构，结构为(n_classes, )，可不不填（默认为None）
  类的先验概率P(Y=c)。如果没有给出具体的先验概率则自动根据数据来进行计算。

例子

男生想女生求婚，男生有四个特征，与女孩嫁不嫁相关，这四个特征是：

• 颜值：不帅、帅
• 性格：不好、好
• 个子：高、矮
• 上进：不上进、上进

目前有以下数据：

当某男生的特征是：不帅、性格不好、个子矮、不上进，计算出：女生嫁给他的概率

解决

取出前10条记录用于训练，后2条记录用于测试

import numpy as np
#导入朴素贝叶斯
from sklearn.naive_bayes import BernoulliNB
'''
训练数据
第一列表示颜值，1表示帅，0表示不帅
第二列表示性格，1表示好，0表示不好
第三列表示身高，1表示高，0表示矮
第四列表示是否上进，1表示上进，0表示不上进
'''
x=np.array([[1,0,0,0],
            [0,1,0,1],
            [1,1,0,1],
            [0,1,1,1],
            [1,0,0,1],
            [0,0,0,0],
            [1,1,1,0],
            [0,1,1,1],
            [1,1,1,1],
            [0,0,1,1]
          ])
# 训练数据的标签，0表示不嫁，1表示嫁
y=np.array([0,0,1,1,0,0,1,1,1,1])
nb=BernoulliNB()
nb.fit(x,y)
# 测试数据
test_x=np.array([
            [1,1,0,0],
            [1,1,0,0]]
          )
test_y=np.array([0,0])
print("评测模型：", nb.score(test_x,test_y) )
# 预测
prd_x=np.array([
            [1,1,1,0],
            [1,0,1,0]]
          )
pre=nb.predict(prd_x)
pre2=nb.predict_proba(prd_x)
#输出模型预测结果
print("预测结果为：",pre)
#输出模型预测的分类概率
print("预测的概率为：",pre2)

执行结果：

评测模型： 1.0
预测结果为： [1 1]
预测的概率为： [[0.11636364 0.88363636]
 [0.44137931 0.55862069]]

参考：
https://blog.csdn.net/gracejpw/article/details/102406860
https://blog.csdn.net/weixin_48077303/article/details/117396838