这是我的代码。
# Load libraries
import numpy as np
from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer
# Create text
text_data = np.array(['Tim is smart!',
'Joy is the best',
'Lisa is dumb',
'Fred is lazy',
'Lisa is lazy'])
# Create target vector
y = np.array([1,1,0,0,0])
# Create bag of words
count = CountVectorizer()
bag_of_words = count.fit_transform(text_data) #
# Create feature matrix
X = bag_of_words.toarray()
mnb = MultinomialNB(alpha = 1, fit_prior = True, class_prior = None)
mnb.fit(X,y)
print(count.get_feature_names())
# output:['best', 'dumb', 'fred', 'is', 'joy', 'lazy', 'lisa', 'smart', 'the', 'tim']
print(mnb.feature_log_prob_)
# output
[[-2.94443898 -2.2512918 -2.2512918 -1.55814462 -2.94443898 -1.84582669
-1.84582669 -2.94443898 -2.94443898 -2.94443898]
[-2.14006616 -2.83321334 -2.83321334 -1.73460106 -2.14006616 -2.83321334
-2.83321334 -2.14006616 -2.14006616 -2.14006616]]
我的问题是: 比如说:"最好 "这个词:"最好 "的概率是多少?class 1 : -2.14006616
. 要计算出这个分数,要用什么公式来计算。
我使用的是 LOG (P(best|y=class=1)) -> Log(1/2)
-> 不能得到 -2.14006616
从 文件 由此可知 feature_log_prob_
对应于给定一个类的特征的经验对数概率。我们以一个 "最佳 "特征为例来说明,这个特征就是 log
该特征在类的概率 1
是 -2.14006616
(正如你所指出的),现在如果我们把它转换成实际的概率分数,它将是 np.exp(1)**-2.14006616 = 0.11764
. 让我们再退一步,看看 "最佳 "的概率是如何以及为什么会出现在班级中的 1
是 0.11764
. 根据文件中的规定。多项式奈夫贝叶斯,我们看到,这些概率是用下面的公式计算出来的。
其中,分子大致对应于特征 "最佳 "在类中出现的次数。1
(本例中我们感兴趣的),分母对应于类的所有特征的总计数。1
. 此外,我们还增加了一个小的平滑值。alpha
以防止概率为零和 n
对应于总的特征数,即词汇量的大小。计算这些数字的例子,我们有。
N_yi = 1 # "best" appears only once in class `1`
N_y = 7 # There are total 7 features (count of all words) in class `1`
alpha = 1 # default value as per sklearn
n = 10 # size of vocabulary
Required_probability = (1+1)/(7+1*10) = 0.11764
你可以用类似的方式对任何给定的特征和类进行计算。
希望这能帮助你