多项式朴素贝叶斯软件

Question

在scikit学习中，我使用MultinomialNB对标记的文本数据进行多类分类。我在预测时使用了multinomialNB的“multinomialNB”特性

clf=MultinomialNB()
print(clf.fit(X_train,Y_train))
clf.predict_proba(X_test[0])

因此，我得到了每个类的概率值向量，它加到1，我知道这是因为softmax交叉熵函数。

数组([ 0.01245064，0.02346781，0.84694063，0.03238112，0.01833107，0.03103464，0.03539408 ])

我在这里的问题是，在预测时，我需要有binary_cross_entropy，这样我就可以得到0到1之间的每个类的概率值的向量。那么，我如何改变功能，同时做科学预测-学习？

Answer 1

您可以通过以下方法获得每个类的日志可能性：

_joint_log_likelihood(self, X):
        """Compute the unnormalized posterior log probability of X
        I.e. ``log P(c) + log P(x|c)`` for all rows x of X, as an array-like of
        shape [n_classes, n_samples].
        Input is passed to _joint_log_likelihood as-is by predict,
        predict_proba and predict_log_proba.
        """ 

朴素贝叶斯predict_log_proba只是通过规范上面的函数来工作。

def predict_log_proba(self, X):
        """
        Return log-probability estimates for the test vector X.
        Parameters
        ----------
        X : array-like, shape = [n_samples, n_features]
        Returns
        -------
        C : array-like, shape = [n_samples, n_classes]
            Returns the log-probability of the samples for each class in
            the model. The columns correspond to the classes in sorted
            order, as they appear in the attribute `classes_`.
        """
        jll = self._joint_log_likelihood(X)
        # normalize by P(x) = P(f_1, ..., f_n)
        log_prob_x = logsumexp(jll, axis=1)
        return jll - np.atleast_2d(log_prob_x).T