樸素貝葉斯分類器的訓練速度比線性模型更快。這種高效率所付出的代價是，樸素貝葉斯模型的泛化能力要比線性分類器（如 logisticregression 和 linearsvc）稍差。
樸素貝葉斯模型如此高效的原因在於，它通過單獨檢視每個特徵來學習引數，並從每個特徵中收集簡單的類別統計資料。scikit-learn 中實現了三種樸素貝葉斯分類器：gaussiannb、bernoullinb 和 multinomialnb。gaussiannb 可應用於任意連續資料，而bernoullinb 假定輸入資料為二分類資料，multinomialnb 假定輸入資料為計數資料（即每個特徵代表某個物件的整數計數，比如乙個單詞在句子**現的次數）。bernoullinb 和 multinomialnb 主要用於文字資料分類。
bernoullinb 分類器計算每個類別中每個特徵不為 0 的元素個數。用乙個簡單的例子來說明會很容易理解：
x = np.array([[
0,1,
0,1]
,[1,
0,1,
1],[
0,0,
0,1]
,[1,
0,1,
0]])
y = np.array([0
,1,0
,1])
counts =
for label in np.unique(y)
:# 對每個類別進行遍歷
# 計算（求和）每個特徵中 1 的個數
counts[label]
= x[y == label]
.sum
(axis=0)
print
("feature counts:\n{}"
.format
(counts)
)'''
feature counts:
'''
機器學習之監督學習
一 監督學習的三要素 模型 總結資料的內在規律，用數學函式描述的系統 策略 選取最優模型的評價準則 演算法 選取最優模型的具體方法 二 監督學習的實現步驟 1.得到乙個有限的訓練資料集 2.確定包含所有學習模型的集合 3.確定模型選擇的準則，也就是學習策略 4.實現求解最優模型的演算法，也就是學習演...
機器學習之 監督學習應用
最近想搞點新東西，然後就選擇了機器學習，剛開始學 史丹福大學的公開課 有很多不懂地方，如果有什麼錯誤，歡迎指正。首先來介紹一下什麼叫回歸 回歸在數學上來說是給定乙個點集，能夠用一條曲線去擬合，如果這個曲線是一條直線，那就被稱為線性回歸，如果曲線是一條二次曲線，就被稱為二次回歸.引入乙個房屋銷售的例子...
機器學習之監督學習 回歸
回歸問題和 分類問題的區別在於 其待 的目標是 連續變數 線性回歸器 如果面對訓練資料十分龐大的任務，隨機梯度法不論是在分類還是在回歸問題上都表現得十分高效，可以在不損失過多效能的前提下，節省大量計算時間 根據scikit learn官網的建議，如果資料規模超過10萬，推薦使用隨機梯度估計引數模型 ...