sklearn.naive_bayes.MultinomialNB()函数解析（最清晰的解释）

sklearn.naive_bayes.MultinomialNB()函数全称是先验为多项式分布的朴素贝叶斯。

除了MultinomialNB之外，还有GaussianNB就是先验为高斯分布的朴素贝叶斯，BernoulliNB就是先验为伯努利分布的朴素贝叶斯。

class sklearn.naive_bayes.MultinomialNB(alpha=1.0，
fit_prior=True，
class_prior=None)

MultinomialNB假设特征的先验概率为多项式分布，即如下式：

其中，P(Xj=Xjl∣Y=Ck)P(X_j = X_{jl} | Y = C_k)P(Xj​=Xjl​∣Y=Ck​) 是第 kkk 个类别的第 jjj 维特征的第 lll 个取值条件概率。mkm_kmk​ 是训练集中输出为第 kkk 类的样本个数。λλλ 为一个大于0的常数，尝尝取值为1，即拉普拉斯平滑，也可以取其他值。

参数：

• alpha

  ：浮点型可选参数，默认为1.0，其实就是添加拉普拉斯平滑，即为上述公式中的λ ，如果这个参数设置为0，就是不添加平滑；

• fit_prior

  ：布尔型可选参数，默认为True。布尔参数fit_prior表示是否要考虑先验概率，如果是false，则所有的样本类别输出都有相同的类别先验概率。否则可以自己用第三个参数class_prior输入先验概率，或者不输入第三个参数class_prior，让MultinomialNB自己从训练集样本来计算先验概率，此时的先验概率为 P(Y=Ck)=mk/mP(Y=C_k)=m_k/mP(Y=Ck​)=mk​/m。其中m为训练集样本总数量，mkm_kmk​为输出为第k类别的训练集样本数。

• class_prior

  ：可选参数，默认为None。

还有其他参数：

例子：

>>> import numpy as np
>>> X = np.random.randint(5, size=(6, 100))
>>> y = np.array([1, 2, 3, 4, 5, 6])
>>> from sklearn.naive_bayes import MultinomialNB
>>> clf = MultinomialNB()
>>> clf.fit(X, y)
MultinomialNB()
>>> print(clf.predict(X[2:3]))
[3]

朴素贝叶斯算法实现理论和代码在博客：《机器学习实战》学习笔记（四）：基于概率论的分类方法 - 朴素贝叶斯