我可以在sklearn贝叶斯分类器中设置特征优先级吗？

Question

我做了一些简单的贝叶斯分类

X = [[1,0,0], [1,1,0]] ### there are more data of course
Y = [1,0]

classifier = BernoulliNB()

classifier.fit(X, Y)

现在我得到了一些“内部提示”，即每个X中的第一个元素比其他元素更重要。在

1. 在我训练模特之前，我能把这些知识结合起来吗？

2. 如果sklearn不允许，是否有其他分类器或其他库允许我们合并之前的模型培训？

Answer 1

我不知道问题2的答案，但我能回答问题1。在

在评论中"multiply the first element for each observation by different values"是一种错误的方法。在

当你使用二项式的知识时，你可以把你的二项式知识加入到你的知识中

假设你在掷硬币，你知道硬币是朝着更多的人头操纵的。然后添加更多显示更多头部的样本。如果你之前的知识是70%正面和30%反面：你可以将总共100个样本，70个正面和30个反面，加到你的数据X中。在

Answer 2

想想这个算法到底在做什么。Naive Bayes执行以下分类：

p(class = k | data) ~ p(class = k) * p(data | class = k)

换句话说：观察到的（后验）概率与任何观察在k类中的概率（即优先）乘以观察到的概率（假设它来自k类（可能性）。在

通常当我们什么都不知道的时候，我们假设p(class = k)只是反映了观测数据的分布。在

在您的例子中，您是说除了观察到的数据之外，您还有一些信息，这使您认为前面的p(class = k)应该被修改。这是完全合法的。事实上，这就是贝叶斯推理的妙处。不管你之前的知识是什么，你应该把它纳入这学期。所以在你的例子中，如果你知道它比数据显示的更可能发生的话，那么这可能会增加你在某个特定类中的概率（如评论中建议的那样，增加它的权重）。在