損失/風險功能學的樸素貝葉斯分類

Question

我在想，如果它在某種程度上可以定義損失函數在樸素貝葉斯分類scikit學習。例如，我們假設我們對垃圾郵件和火腿分類感興趣。在這種情況下，這種損失函數將有助於降低假陽性率（即，將火腿歸類爲垃圾郵件，這比將垃圾郵件歸類爲「火腿」更糟糕）。

爲簡單起見，我有一個使用隨機數據來自高斯here。

Answer 1

樸素貝葉斯的損失函數總是負關節數似然，-log p（X，ý）。這種選擇損失函數，功能獨立的樸素貝葉斯假設下，使樸素貝葉斯快：最大似然訓練可以執行一個矩陣乘法和簡單計算來完成。我能想到的所有其他損失函數都會將您帶入迭代優化的土地。

關於您的實際問題：您可以使用scoring='precision'或基於sklearn.metric.fbeta_score或roc_auc_score的自定義得分函數，嘗試使用GridSearchCV來調整學習者參數。儘管如此，我不確定這在幼稚貝葉斯中是否會有很多，所以你可能想要切換到邏輯迴歸。