SciKit學習 - 訓練高斯樸素貝葉斯分類器

Question

我想繪製高斯樸素貝葉斯分類器的決策表面。我似乎在訓練分類器時遇到了一些問題。我對機器學習也很陌生。

首先我生成100個隨機點，其中一半具有不同的座標和標籤。

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) 

然後我訓練它。

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

然後我遇到了一個問題。我在這裏的分類器似乎不能區分這兩點。

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)])) 

結果我得到這個似乎總是：

[0] 
[0] 

我在做什麼錯了，我該如何解決？

在附註上，我還想知道是否可以直接從分類器本身繪製決策邊界，而不是通過比較分類器在每個點處的決策。

Answer 1

fit()方法應該只調用一次。您撥打fit方法兩次，一方爲point1，另一方爲point2。所以，當你再次調用fit()爲point2，估計自身重置，僅用於訓練point2L，這是0.這就是爲什麼你的預言始終爲0 首先結合point1和point2到一個新的矩陣，（同爲標籤），然後在新的矩陣上調用fit方法。