Java 类名：com.alibaba.alink.operator.batch.classification.NaiveBayesTrainBatchOp
Python 类名：NaiveBayesTrainBatchOp

功能介绍

训练一个朴素贝叶斯模型用于多分类任务。

算法原理

朴素贝叶斯算法基于贝叶斯定理和一个”朴素”的假设：各特征间两两条件独立。
通过贝叶斯定理可以在给定特征时计算类别为的概率：，而通过特征间两两独立的假设可以将上面公式简化为：。
对于连续型特征，通常假设 满足高斯分布 ，参数可以通过对训练数据进行最大似然估计得到。 对于离散型特征，，其中 表示类别为特征共同出现的样本数， 表示类别 的样本数， 是平滑系数。

使用方式

该组件是训练组件，需要配合预测组件 NaiveBayesPredictBatch/StreamOp 使用。
为了训练朴素贝叶斯模型，需要指定参数特征列名（featureCols）和标签列名（labelCol）。
特征列名中，数值类型的列默认看作连续型特征处理，如果需要强制作为离散型特征处理，需要将这些列的列名添加到参数离散特征列名（categoricalCol）中。 平滑因子可以通过参数 smoothing 指定，默认为不平滑。
组件还支持设置每条样本的权重，通过参数权重列（weightCol）指定。

文献索引

H. Zhang (2004). The optimality of Naive Bayes. Proc.
FLAIRS.

参数说明

| 名称 | 中文名称 | 描述 | 类型 | 是否必须？ | 取值范围 | 默认值 | | —- | —- | —- | —- | —- | —- | —- |

| featureCols | 特征列名 | 特征列名，必选 | String[] | ✓ | | |

| labelCol | 标签列名 | 输入表中的标签列名 | String | ✓ | | |

| categoricalCols | 离散特征列名 | 离散特征列名 | String[] | | 所选列类型为 [BIGINTEGER, BOOLEAN, INTEGER, LONG, STRING] | |

| smoothing | 算法参数 | 光滑因子，默认为0.0 | Double | | [0.0, +inf) | 0.0 |

| weightCol | 权重列名 | 权重列对应的列名 | String | | 所选列类型为 [BIGDECIMAL, BIGINTEGER, BYTE, DOUBLE, FLOAT, INTEGER, LONG, SHORT] | null |

代码示例

Python 代码

  1. from pyalink.alink import *
  3. import pandas as pd
  5. useLocalEnv(1)
  7. df_data = pd.DataFrame([
  8.        [1.0, 1.0, 0.0, 1.0, 1],
  9.        [1.0, 0.0, 1.0, 1.0, 1],
  10.        [1.0, 0.0, 1.0, 1.0, 1],
  11.        [0.0, 1.0, 1.0, 0.0, 0],
  12.        [0.0, 1.0, 1.0, 0.0, 0],
  13.        [0.0, 1.0, 1.0, 0.0, 0],
  14.        [0.0, 1.0, 1.0, 0.0, 0],
  15.        [1.0, 1.0, 1.0, 1.0, 1],
  16.        [0.0, 1.0, 1.0, 0.0, 0]
  17. ])
  19. batchData = BatchOperator.fromDataframe(df_data, schemaStr='f0 double, f1 double, f2 double, f3 double, label int')
  21. # train op
  22. colnames = ["f0","f1","f2", "f3"]
  23. ns = NaiveBayesTrainBatchOp().setFeatureCols(colnames).setLabelCol("label")
  24. model = batchData.link(ns)
  25. # predict op
  26. predictor = NaiveBayesPredictBatchOp().setPredictionCol("pred")
  27. predictor.linkFrom(model, batchData).print()

Java 代码

  1. import org.apache.flink.types.Row;
  3. import com.alibaba.alink.operator.batch.BatchOperator;
  4. import com.alibaba.alink.operator.batch.classification.NaiveBayesPredictBatchOp;
  5. import com.alibaba.alink.operator.batch.classification.NaiveBayesTrainBatchOp;
  6. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  7. import org.junit.Test;
  9. import java.util.Arrays;
  10. import java.util.List;
  12. public class NaiveBayesTrainBatchOpTest {
  13.     @Test
  14.     public void testNaiveBayesTrainBatchOp() throws Exception {
  15.         List <Row> df_data = Arrays.asList(
  16.             Row.of(1.0, 1.0, 0.0, 1.0, 1),
  17.             Row.of(1.0, 0.0, 1.0, 1.0, 1),
  18.             Row.of(1.0, 0.0, 1.0, 1.0, 1),
  19.             Row.of(0.0, 1.0, 1.0, 0.0, 0),
  20.             Row.of(0.0, 1.0, 1.0, 0.0, 0),
  21.             Row.of(0.0, 1.0, 1.0, 0.0, 0),
  22.             Row.of(0.0, 1.0, 1.0, 0.0, 0),
  23.             Row.of(1.0, 1.0, 1.0, 1.0, 1),
  24.             Row.of(0.0, 1.0, 1.0, 0.0, 0)
  25.         );
  26.         BatchOperator <?> batchData = new MemSourceBatchOp(df_data,
  27.             "f0 double, f1 double, f2 double, f3 double, label int");
  28.         BatchOperator <?> ns = new NaiveBayesTrainBatchOp().setFeatureCols("f0", "f1", "f2", "f3").setLabelCol(
  29.             "label");
  30.         BatchOperator model = batchData.link(ns);
  31.         BatchOperator <?> predictor = new NaiveBayesPredictBatchOp().setPredictionCol("pred");
  32.         predictor.linkFrom(model, batchData).print();
  33.     }
  34. }

运行结果

| f0 | f1 | f2 | f3 | label | pred | | —- | —- | —- | —- | —- | —- |

| 1.0 | 1.0 | 0.0 | 1.0 | 1 | 1 |

| 1.0 | 0.0 | 1.0 | 1.0 | 1 | 1 |

| 1.0 | 0.0 | 1.0 | 1.0 | 1 | 1 |

| 0.0 | 1.0 | 1.0 | 0.0 | 0 | 0 |

| 0.0 | 1.0 | 1.0 | 0.0 | 0 | 0 |

| 0.0 | 1.0 | 1.0 | 0.0 | 0 | 0 |

| 0.0 | 1.0 | 1.0 | 0.0 | 0 | 0 |

| 1.0 | 1.0 | 1.0 | 1.0 | 1 | 1 |

| 0.0 | 1.0 | 1.0 | 0.0 | 0 | 0 |