Responder a: Naïve Bayes

[Denny Ceccon]

Para problemas categóricos, você usaria a classe CategoricalNB (documentação). Depois de treinar o modelo, as probabilidades estão no atributo feature_log_prob_, só que aqui você vai encontrar o log das probabilidades. Para converter para escala decimal, use a função np.exp.

Exemplo com dados inventados:

rng = np.random.RandomState(1)
X = rng.randint(3, size=(10, 4))
y = np.array([1, 2, 2, 2, 1, 2, 1, 1, 1, 2])
from sklearn.naive_bayes import CategoricalNB
clf = CategoricalNB(force_alpha=True)
clf.fit(X, y)

print(clf.feature_log_prob_)

# [array([[-2.07944154, -0.69314718, -0.98082925], 
          [-1.38629436, -0.69314718, -1.38629436]]), 
   array([[-0.69314718, -1.38629436, -1.38629436], 
          [-0.98082925, -0.98082925, -1.38629436]]), 
   array([[-0.98082925, -0.98082925, -1.38629436], 
          [-0.47000363, -1.38629436, -2.07944154]]), 
   array([[-1.38629436, -0.69314718, -1.38629436], 
          [-1.38629436, -1.38629436, -0.69314718]])]

print(np.exp(np.array(clf.feature_log_prob_))

# array([[[0.125, 0.5 , 0.375], 
          [0.25 , 0.5 , 0.25 ]], 
         [[0.5 , 0.25 , 0.25 ],
          [0.375, 0.375, 0.25 ]], 
         [[0.375, 0.375, 0.25 ], 
          [0.625, 0.25 , 0.125]], 
         [[0.25 , 0.5 , 0.25 ], 
          [0.25 , 0.25 , 0.5 ]]])

O array resultante tem shape (4, 2, 3) porque o exemplo tem 4 variáveis, 2 classes target e 3 categorias por variável.