✨ feat(tsl-api-reference): add class and framework API lookup
This commit is contained in:
+629
@@ -0,0 +1,629 @@
|
||||
# 应用专题 / 数学算法 / 朴素贝叶斯
|
||||
|
||||
## `gaussianNB`
|
||||
|
||||
声明：class
|
||||
|
||||
假设连续特征服从高斯分布的朴素贝叶斯分类器
|
||||
|
||||
<!-- tags: 机器学习 朴素贝叶斯 高斯分布 分类 -->
|
||||
|
||||
### `Classes_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的类别取值范围
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_prior_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的各类别先验概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_count_`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别用于训练的样本观测数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Priors`
|
||||
|
||||
声明：field
|
||||
|
||||
用户指定的类别先验概率；为空时从训练样本自动计算
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Theta_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的各类别、各特征均值
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Sigma_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的各类别、各特征方差
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `create(priors)`
|
||||
|
||||
声明：function
|
||||
|
||||
使用指定的类别先验概率初始化分类器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| -------- | ----- | ------------------------------------ |
|
||||
| `priors` | array | 指定的各类别先验概率；默认值为 `nil` |
|
||||
|
||||
### `Fit(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
一次性拟合全部训练数据；`sample_weight` 为每个训练样本的权重
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | array | 一维类别标签数组 |
|
||||
| `sample_weight` | array | 各训练样本的权重；默认值为 `nil` |
|
||||
|
||||
### `Partial_fit(X, y, classes, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
增量拟合一批训练数据；首次调用时通过 `classes` 给出全部可能类别
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------------- |
|
||||
| `X` | array | 本批次的二维训练特征数组 |
|
||||
| `y` | array | 本批次的一维类别标签数组 |
|
||||
| `classes` | array | 可能出现在 `y` 中的全部类别 |
|
||||
| `sample_weight` | array | 各训练样本的权重；默认值为 `nil` |
|
||||
|
||||
### `Predict(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的类别标签
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_log_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的对数概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
## `multinomialNB`
|
||||
|
||||
声明：class
|
||||
|
||||
假设离散特征服从多项分布的朴素贝叶斯分类器
|
||||
|
||||
<!-- tags: 机器学习 朴素贝叶斯 多项分布 分类 -->
|
||||
|
||||
### `Classes_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的类别取值范围
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_prior`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别的先验概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_log_prior_`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别的对数先验概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Feature_count_`
|
||||
|
||||
声明：field
|
||||
|
||||
拟合期间各类别、各特征的加权样本数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Feature_log_prob_`
|
||||
|
||||
声明：field
|
||||
|
||||
给定类别时各特征的经验对数概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_count_`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别用于训练的样本观测数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Alpha`
|
||||
|
||||
声明：field
|
||||
|
||||
拉普拉斯或 Lidstone 加法平滑因子，默认 1.0
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `Fit_prior`
|
||||
|
||||
声明：field
|
||||
|
||||
是否从训练样本学习类别先验概率，默认 `True`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：boolean
|
||||
|
||||
### `create(alpha, fit_prior, class_prior)`
|
||||
|
||||
声明：function
|
||||
|
||||
使用平滑因子、先验学习开关和可选先验概率初始化分类器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------- | ------- | ----------------------------------- |
|
||||
| `alpha` | real | 加法平滑因子，默认 1.0 |
|
||||
| `fit_prior` | boolean | 是否从样本学习先验概率，默认 `True` |
|
||||
| `class_prior` | array | 指定的类别先验概率；默认值为 `nil` |
|
||||
|
||||
### `Fit(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
一次性拟合全部训练数据
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | array | 一维类别标签数组 |
|
||||
| `sample_weight` | array | 各训练样本的权重；默认值为 `nil` |
|
||||
|
||||
### `Partial_fit(X, y, classes, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
增量拟合一批训练数据
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------------- |
|
||||
| `X` | array | 本批次的二维训练特征数组 |
|
||||
| `y` | array | 本批次的一维类别标签数组 |
|
||||
| `classes` | array | 可能出现在 `y` 中的全部类别 |
|
||||
| `sample_weight` | array | 各训练样本的权重；默认值为 `nil` |
|
||||
|
||||
### `Predict(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的类别标签
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_log_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的对数概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
## `bernoulliNB`
|
||||
|
||||
声明：class
|
||||
|
||||
假设离散特征服从多元伯努利分布的朴素贝叶斯分类器
|
||||
|
||||
<!-- tags: 机器学习 朴素贝叶斯 伯努利分布 分类 -->
|
||||
|
||||
### `Classes_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的类别取值范围
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_prior`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别的先验概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_log_prior_`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别的对数先验概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Feature_count_`
|
||||
|
||||
声明：field
|
||||
|
||||
拟合期间各类别、各特征的加权样本数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Feature_log_prob_`
|
||||
|
||||
声明：field
|
||||
|
||||
给定类别时各特征的经验对数概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_count_`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别用于训练的样本观测数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Alpha`
|
||||
|
||||
声明：field
|
||||
|
||||
拉普拉斯或 Lidstone 加法平滑因子，默认 1.0
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `Binarize`
|
||||
|
||||
声明：field
|
||||
|
||||
将样本特征映射为布尔值的阈值，默认 0.0
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：real
|
||||
|
||||
### `Fit_prior`
|
||||
|
||||
声明：field
|
||||
|
||||
是否从训练样本学习类别先验概率，默认 `True`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：boolean
|
||||
|
||||
### `create(alpha, binarize, fit_prior, class_prior)`
|
||||
|
||||
声明：function
|
||||
|
||||
使用平滑因子、二值化阈值和先验设置初始化分类器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ------------- | ------- | ----------------------------------- |
|
||||
| `alpha` | real | 加法平滑因子，默认 1.0 |
|
||||
| `binarize` | real | 特征二值化阈值，默认 0.0 |
|
||||
| `fit_prior` | boolean | 是否从样本学习先验概率，默认 `True` |
|
||||
| `class_prior` | array | 指定的类别先验概率；默认值为 `nil` |
|
||||
|
||||
### `Fit(X, y, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
一次性拟合全部训练数据
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | array | 一维类别标签数组 |
|
||||
| `sample_weight` | array | 各训练样本的权重；默认值为 `nil` |
|
||||
|
||||
### `Partial_fit(X, y, classes, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
增量拟合一批训练数据
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | -------------------------------- |
|
||||
| `X` | array | 本批次的二维训练特征数组 |
|
||||
| `y` | array | 本批次的一维类别标签数组 |
|
||||
| `classes` | array | 可能出现在 `y` 中的全部类别 |
|
||||
| `sample_weight` | array | 各训练样本的权重；默认值为 `nil` |
|
||||
|
||||
### `Predict(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的类别标签
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_log_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的对数概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
## `naiveBayesTotal`
|
||||
|
||||
声明：class
|
||||
|
||||
支持连续特征与离散特征混合分布的朴素贝叶斯综合分类器
|
||||
|
||||
<!-- tags: 机器学习 朴素贝叶斯 混合分布 分类 -->
|
||||
|
||||
### `Classes_`
|
||||
|
||||
声明：field
|
||||
|
||||
训练后得到的类别取值范围
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Feature_distribution`
|
||||
|
||||
声明：field
|
||||
|
||||
各特征的分布类型；元素可为 `normal`、`mn` 或 `bn`
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_priors`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别的先验概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `Class_count_`
|
||||
|
||||
声明：field
|
||||
|
||||
各类别用于训练的样本观测数
|
||||
|
||||
可见性：`public`
|
||||
|
||||
类型：array
|
||||
|
||||
### `create(priors)`
|
||||
|
||||
声明：function
|
||||
|
||||
使用指定的类别先验概率初始化分类器
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| -------- | ----- | ------------------------------------ |
|
||||
| `priors` | array | 指定的各类别先验概率；默认值为 `nil` |
|
||||
|
||||
### `Fit(X, y, distribution, alpha_mn, alpha_bn, binarize, sample_weight)`
|
||||
|
||||
声明：function
|
||||
|
||||
按每个特征指定的分布拟合混合朴素贝叶斯模型
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| --------------- | ----- | ---------------------------------- |
|
||||
| `X` | array | 二维训练特征数组 |
|
||||
| `y` | array | 一维类别标签数组 |
|
||||
| `distribution` | array | 各特征的分布类型 |
|
||||
| `alpha_mn` | real | 多项分布模型的平滑因子，默认 1 |
|
||||
| `alpha_bn` | real | 伯努利分布模型的平滑因子，默认 1 |
|
||||
| `binarize` | real | 伯努利分布模型的二值化阈值，默认 0 |
|
||||
| `sample_weight` | array | 各训练样本的权重；默认值为 `nil` |
|
||||
|
||||
### `Predict(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
预测输入样本的类别标签
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_log_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的对数概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
|
||||
### `Predict_proba(X)`
|
||||
|
||||
声明：function
|
||||
|
||||
返回输入样本属于各类别的概率
|
||||
|
||||
可见性：`public`
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
| ---- | ----- | ---------------------- |
|
||||
| `X` | array | 需要预测的二维特征数组 |
|
||||
|
||||
返回：array
|
||||
Reference in New Issue
Block a user