파이썬 라이브러리를 활용한 머신러닝(번역개정판): 사이킷런 핵심 개발자가 쓴 머신러닝과 데이터 과학 실무서

2

장

지도 학습

101

예측할 땐 데이터 포인트를 클래스의 통계 값과 비교해서 가장 잘 맞는 클래스를 예측값으로

합니다.

MultinomialNB

와

BernoulliNB

의 예측 공식은 선형 모델과 형태가 같습니다 (

86

페

이지의 “분류용 선형 모델” 참조 ). 그러나 나이브 베이즈 모델의

coef

_는 기울기

w

가 아니라

서 선형 모델과는 의미가 다릅니다.

37

장단점과 매개변수

MultinomialNB

와

BernoulliNB

는 모델의 복잡도를 조절하는

alpha

매개변수 하나를 가지

고 있습니다.

alpha

가 주어지면 알고리즘이 모든 특성에 양의 값을 가진 가상의 데이터 포인

트를

alpha

개수만큼 추가합니다. 이는 통계 데이터를 완만하게 만들어줍니다.

alpha

가 크면

더 완만해지고 모델의 복잡도는 낮아집니다.

alpha

에 따른 알고리즘 성능 변동은 비교적 크지

않아서,

alpha

값이 성능 향상에 크게 기여하지 않습니다. 그러나 이 값을 조정하면 어느 정도

는 정확도를 높일 수 있습니다.

GaussianNB

는 대부분 매우 고차원인 데이터셋에 사용하고, 다른 두 나이브 베이즈 모델은

텍스트 같은 희소한 데이터를 카운트하는 데 사용합니다.

MultinomialNB

는 보통

0

이 아닌

특성이 비교적 많은 데이터셋(예를 들어 큰 문서들 )에서

BernoulliNB