Возврат необработанных вероятностей гауссовского наивного байеса sklearn

Я использую GaussianNB из Scikit-Learn для контролируемой классификации. При использовании метода «pred_proba» сумма вероятностей всегда равна 1.

Я хотел бы вернуть реальное значение подобранного гауссовского распределения, потому что мой набор данных содержит много выбросов. Если бы у меня было 3 определенные категории, я бы хотел, чтобы модель сказала мне: «10% относятся к категории А, 0,5% - к категории В и 4% - к категории С». Другими словами, это скорее выброс.

Sklearn также возвращает этот результат? Должен ли я рассчитывать на основе среднего и стандартного отклонения?

Вы можете просто классифицировать по 4-й категории, при этом 4-я категория представляет выбросы, которые не соответствуют вашим 3 определенным категориям.

Andrew McDowell 31.10.2018 12:52

Внутри predict_proba() GaussianNB сначала вычисляет совместное логарифмическое правдоподобие, а затем нормализует его, чтобы получить вероятности (которые в сумме составляют 1). Таким образом, вы можете использовать метод _joint_log_likelihood() для получения немасштабированных значений.

Vivek Kumar 31.10.2018 12:54
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
2
2
335
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Наконец, я использовал следующее решение:

gaussian_model = naive_bayes.GaussianNB()
jll = gaussian_model._joint_log_likelihood(X) 
raw_proba = np.exp(jll)

raw_proba не находится между 0 и 1, но поскольку я хочу только ранжировать результаты, меня не волнует сама цифра.

Другие вопросы по теме