在一个数据集上实现分类特征的伯努利NB和数值特征的高斯NB的混合奈夫贝叶斯。

Question

我有一个由2个数字描述特征和3个分类描述特征组成的数据集。我已经对分类特征进行了编码，并对分类特征进行了缩放。现在我想使用一个混合奈夫贝叶斯分类器，分类特征使用伯努利NB，数值特征使用高斯NB。我曾尝试在sklearn模式中使用StackingClassifier的Ensemble方法，但是，它没有参数可以明确哪种奈夫贝叶斯方法用于数据集的哪一部分。有没有什么方法能够让我把这两种方法结合在一起，然后拟合数据？

Answer 1

我相信你可以创建2组特征。

使用分类器1：X[feature_group_1] -> Y[lags]作为一个分类器，分类器2：X[feature_group_2] -> Y[lags]作为另一个分类器。

对于预测，也要把测试特征分成两组：Xtest[feature_group_1] -> ytest1Xtest[feature_group_2] -> ytest2。

然后将它们的输出堆叠起来，得到你的最终答案。对于堆叠，你可以使用VotingClassifier方法。

from sklearn.ensemble import VotingClassifier

eclf2 = VotingClassifier(estimators=[
    ...         ('bnb', clf1), ('gnb', clf2)],
    ...         voting='soft')