时间戳

首页 > 解决方案 > 使用朴素贝叶斯计算测试数据的概率

python - 使用朴素贝叶斯计算测试数据的概率

问题描述

我正在使用以下代码使用朴素贝叶斯预测 SMS 文本的输出

from sklearn.naive_bayes import MultinomialNB
mnb=MultinomialNB()
mnb.fit(X,Y)
X_test = np.array(['This is a sample sms'], dtype=object)

X_test_transformed = vec.transform(X_test)

X_test = X_transformed.toarray()

proba=mnb.predict_proba(X_test)
print(proba)

我使用 X、Y 上的函数训练模型fit。现在我想预测
SMSThis is a sample sms是否是垃圾邮件。我不确定我做错了什么
因为最后一行应该给我一个概率。但它给了我以下输出

在此处输入图像描述

 [[9.99999987e-01 1.30424974e-08]
 [9.99996703e-01 3.29712871e-06]
 [1.15232279e-22 1.00000000e+00]
 ...
 [9.62666043e-01 3.73339566e-02]
 [9.99984562e-01 1.54382674e-05]
 [9.66244280e-01 3.37557203e-02]]

标签： pythonscikit-learnnaivebayes

解决方案

请注意，对于每一行，这两个数字加起来为 1。对于第一行：

9.99999987e-01 = 9.99999987 * 0.1 = 0.999999987

1.30424974e-08 = 1.30424974 * 0.00000001 = 0.000000013

因此，A 类短信的预测概率（这可能是垃圾邮件或非垃圾邮件，取决于代码的其余部分）为 0.999...，而 B 类短信的概率为 0.00....1

所以基本上NB以接近1的概率预测了那里的A类。例如，如果输出是 0.6 、 0.4 （输出矩阵的一行），那么您会知道 NB 以 0.6 的概率预测 A 类，以 0.4 的概率预测 B 类。例如，此附加信息可用于限制您的预测。

编辑：如果你不想要这个分数，用 .predict 替换 .predict_proba

推荐阅读