SciKit-learn - 训练高斯朴素贝叶斯分类器

Question

我正在尝试绘制高斯朴素贝叶斯分类器的决策曲面。不过，我似乎在训练分类器时遇到了一些问题。我对机器学习也很陌生。

首先，我生成 100 个随机点，其中一半具有不同的坐标和标签。

for i in range(50):
    point1.append([np.random.randint(50,80),np.random.randint(50,80)])
    point1L.append(1)
for i in range(50):
    point2.append([np.random.randint(10,40),np.random.randint(10,70)])
    point2L.append(0)

然后我训练它。

clf = GaussianNB()
clf.fit(point1,point1L)
clf.fit(point2, point2L)

然后我遇到了一个问题。我在这里的分类器似乎无法区分这两点。

print(clf.predict([np.random.randint(50,80),np.random.randint(50,80)]))
print(clf.predict([np.random.randint(10,40),np.random.randint(10,70)]))

我得到的结果似乎总是：

[0]
[0]

我

做错了什么，我该如何解决？

附带说明一下，我还想知道我是否可以直接从分类器本身绘制决策边界，而不是通过比较分类器在每个点的决策。

Answer 1

fit()方法只能调用一次。您正在调用fit方法两次，一次用于point1，一次用于point2。所以当你再次调用fit()进行point2时，估计器会自行复位，只训练point2L，即 0。这就是为什么您的预测始终为 0。首先将point1和point2组合成一个新矩阵(标签相同(，然后在新矩阵上调用 fit 方法。