Python Scikit学习使用朴素贝叶斯进行10倍交叉验证的多类分类
我正在尝试使用sklearn中的朴素贝叶斯分类器进行多类分类。我想通过10倍交叉验证获得分数。假设x是特征数组,y是标签向量,我将执行以下操作:Python Scikit学习使用朴素贝叶斯进行10倍交叉验证的多类分类,python,machine-learning,scikit-learn,Python,Machine Learning,Scikit Learn,我正在尝试使用sklearn中的朴素贝叶斯分类器进行多类分类。我想通过10倍交叉验证获得分数。假设x是特征数组,y是标签向量,我将执行以下操作: clf = MultinomialNB(fit_prior=False) scores = cross_validation.cross_val_score(OneVsOneClassifier(clf), x, y, cv=10) 但这只是给了我一个10分的数组。我想要的是OvO分类器中每对类的分数。有什么建议吗 还有什么方法可以为
clf = MultinomialNB(fit_prior=False)
scores = cross_validation.cross_val_score(OneVsOneClassifier(clf), x, y, cv=10)
但这只是给了我一个10分的数组。我想要的是OvO分类器中每对类的分数。有什么建议吗
还有什么方法可以为NB分类器使用定制的平滑技术
我想要的是OvO分类器中每对类的分数
不幸的是,OvO包装器目前没有一个公共API来获得这些分数
还有什么方法可以为NB分类器使用定制的平滑技术
不,Lidstone平滑是目前唯一的选择。谢谢您的回答!我决定通过在每个折叠处获得混淆矩阵并将它们相加得到最终的混淆矩阵来解决这个问题