可生成图片类型（推荐）
可生成数据表类型（推荐）
 | |
| 节点状态 |  /  Win10及以上可用在V1.0部署
|
|---|---|
朴素贝叶斯  | |
| 节点开发者 | 决策链算法研发部 (Dev.Team-DPS) |
| 节点英文名 | 朴素贝叶斯 |
| 功能主类别 | 机器学习 |
| 英文缩写 | 朴素贝叶斯 |
| 功能亚类别 | 分类训练器 |
| 节点类型 | 数据挖掘 |
| 开发语言 | Python |
| 节点简介 | |
朴素贝叶斯（Naive Bayes）是一种基于贝叶斯定理的机器学习算法，常用于解决分类问题。它假设特征之间是相互独立的（朴素假设），并利用贝叶斯定理计算后验概率，从而进行分类预测。/p> | |
| 端口数量与逻辑控制(PC) | |
| Input-入口 | 2个 |
| Output-出口 | 3个 |
| Loop-支持循环 | 否 |
| If/Switch-支持逻辑判断 | 否 |
| 输入输出 | |
| 相关节点 | |
| 上一节点 | 随机森林 |
| 下一节点 | 通用预测模块 |
算法概述
在统计学中，朴素贝叶斯分类器是一类线性“概率分类器”，它假设给定目标类别的特征是条件独立的。这个假设的强度（naivity）就是分类器名称的由来。这些分类器是最简单的贝叶斯网络模型之一 [1]。
示例代码-朴素贝叶斯分类节点
该节点使用Python编写，调用scikit-learn包 [2]。以下为示例代码：
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
X, y = load_iris(return_X_y=True)
clf = LogisticRegression(random_state=0).fit(X, y)
clf.predict(X[:2, :])
clf.predict_proba(X[:2, :])
clf.score(X, y)
拟合后，模型可以用于预测样本的类别，可以在通用预测模块实现内外部测试集的预测。
节点使用指南
- 最适用的场景：决策树可用于解决分类问题，其中目标是将数据分为不同的类别或预测数据的类别。
- 处理的数据类型：结局变量为二分类，特征变量大多数为连续型的变量。
变量配置
- 选择特征变量：作为特征进行学习的变量（X），多选。
- 选择目标变量：作为结局的二分类变量（y），单选。
参数配置
- 设置随机数：控制模型的随机性。
- 正则化参数：正则化参数是机器学习算法中的一个重要参数，用于控制模型的复杂度并防止过拟合（Overfitting）。选择适当的正则化参数对于获得良好的模型性能非常重要。默认为1.0。
- 惩罚规则选择：惩罚的允许值取决于所选择的算法。求解器支持的惩罚：'lbfgs' - ['l2'，None], 'liblinear' - ['l1', 'l2'], 'newton-cg' - ['l2'，None],'newton-cholesky' - ['l2'，None], 'sag' - ['l2'，，None], 'saga' - ['elasticnet', 'l1', 'l2', None]。
- 优化算法选择：
- liblinear：这是适用于小型数据集的优化算法。它基于坐标轴下降法（coordinate descent）和拟牛顿法（quasi-Newton）进行优化。liblinear对于处理二分类问题或多类问题的一对多（one-vs-rest）方法都是有效的。它还可以处理L1和L2正则化。
- newton-cg：这是使用牛顿法的优化算法。它通过计算损失函数的二阶导数信息来更新模型参数。newton-cg适用于处理具有较小数据集的二分类或多类分类问题，但不适用于L1正则化。
- lbfgs：这是使用拟牛顿法的优化算法。它也利用损失函数的二阶导数信息进行参数更新。lbfgs适用于处理具有较小数据集的二分类或多类分类问题，且支持L2正则化。
- sag：这是随机平均梯度下降（Stochastic Average Gradient）的优化算法。它使用样本的一部分计算梯度，并在每次迭代中更新模型参数。sag适用于处理具有大型数据集的二分类或多类分类问题，但不支持L1正则化。
- saga：这是liblinear和sag算法的改进版本，支持L1和L2正则化，并可以处理大型数据集。saga在处理大规模数据集时比较高效。
- 设置容忍度：设置停止标准（stopping criteria）的容忍度。默认0.0001。
- 设置最大迭代次数。
注意事项
参考文献
- ↑ "Naive Bayes Classifier". Wikipedia. Retrieved 2024-01-19.
- ↑ Kramer, Oliver (2016). "Scikit-learn". Machine learning for evolution strategies. Springer: 45--53.
查找其他类别的节点，请参考以下列表
列表
数据处理节点
数据输入
变量处理
行列处理
矩阵处理
表格处理
列表
数据分析节点
描述性统计
统计检验
方差分析
相关分析
回归分析
Lasso回归 二项式Lasso回归 泊松Lasso回归 生存状态Lasso回归 高斯PLS回归Ridge回归 二项式Ridge回归 泊松Ridge回归 生存状态Ridge回归 高斯分位回归多分类逻辑回归多项式回归广义估计方程 伽玛广义估计方程 泊松广义估计方程 负二项广义估计方程 逻辑广义估计方程 高斯广义相加模型 伽玛广义相加模型 泊松广义相加模型 负二项广义相加模型 逻辑广义相加模型 高斯广义相加混合模型 伽玛广义相加混合模型 泊松广义相加混合模型 负二项广义相加混合模型 逻辑广义相加混合模型 高斯广义线性回归 伽玛广义线性回归 泊松广义线性回归 负二项广义线性回归 逆概率加权联合标准差稳健线性回归线性回归逐步回归逻辑回归
时序分析
潜变量分析
生存分析
多元分析
综合分析
列表
机器学习节点
列表
AI和神经网络
环境检测
