coef_和feature_log_prob_在多项式朴素贝叶斯中的差异？

Question

下面的代码抑制网学习多项朴素贝叶斯。

import numpy as np
from sklearn.naive_bayes import MultinomialNB
X = np.random.randint(5, size=(10, 100))
y=np.random.randint(2,size=(10,))
clf = MultinomialNB()
clf.fit(X, y)

然后，我想找出在我的模型和滑雪文档中的重要特性，我们有两个参数，即。

 feature_log_prob_ : array, shape (n_classes, n_features)
 Empirical log probability of features given a class, P(x_i|y).

coef_ : array, shape (n_classes, n_features)
Mirrors feature_log_prob_ for interpreting MultinomialNB as a linear model.

如果我试图同时打印这两个属性

print(clf.feature_log_prob_.shape)  // giving (2,100)
print(clf.coef_.shape)         // giving (1,100)

，但是当我的类超过两个时，这两个属性都提供了相同的结果。

以上两个属性之间的区别是什么？

Answer 1

在标准二进制分类中，coef_给出了观察“成功”类别的概率。在多项式情况下，coef_返回观察每个结果的概率，即对于所有类，它将返回prob分数。