Naïve Bayes

Visualizando 4 posts - 1 até 4 (de 4 do total)
  • Autor
    Posts
  • #39707
    Wiliam
    Participante

    Boa noite, Amigos

     

    No item População e amostra item Introdução ao algoritmo Naïve Bayes.

    Gostaria de saber de alguma ferramenta para montar a tabela de probabilidade.

    (Lá você disse que a tabela pode ser montando em R).

    Poderia me passar uma informação melhor

    #39745
    Denny Ceccon
    Moderador

    Olá William,

    Não encontrei esta informação no vídeo para entender o contexto, você pode ser mais específico? Achei estranho você comentar R pois o curso é em Python.

    #39876
    Wiliam
    Participante

    Boa noite

    Reformulando minha pergunta.

    Como obter a tabela de probabilidade mostra na figura.

    Ou seja, (com os dados categóricos gerar uma tabela de probabilidade ) qual função faz essa tarefa de forma direta.

    Obrigado pela atenção.

    Wiliam Regone

    #39885
    Denny Ceccon
    Moderador

    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.

Visualizando 4 posts - 1 até 4 (de 4 do total)
  • Você deve fazer login para responder a este tópico.