Pythonデータサイエンスハンドブック ―Jupyter、NumPy、pandas、Matplotlib、scikit-learnを使ったデータ分析、機械学習

5.5

 詳細：ナイーブベイズ分類

389

5.5.3

 多項分布ナイーブベイズ

前の例で説明したガウスの仮定は、各ラベルの生成分布を指定する際に使用できる単純な仮定の

1

つにすぎません。もう

1

つの有用な例は、単純な多項分布から生成されると仮定した多項分布ナ

イーブベイズ（

Multinomial Naive Bayes

）です。多項分布は、複数のカテゴリがどれだけ観測され

るかの確率を表しているので、多項分布ナイーブベイズは出現数または出現レートレートを表す特

徴量に最も適しています。

最良のガウス分布を持つデータ分布をモデル化するのではなく、最適な多項分布を用いてデータ

分布をモデル化するという点を除けば、考え方は前の例とまったく同じです。

5.5.3.1

 事例：テキストの分類

多項分布ナイーブベイズが頻繁に使用される問題の

1

つが、文書内の語数または単語の出現頻度

に関連するテキスト分類です。このような特徴量の抽出につい

ては、「5.4 特徴量エンジニアリン

グ」で説明しました。ここでは、

20

個のニュースグループのコーパスから得られる単語数を用い、

短い文書をカテゴリに分類する方法を示します。

データをダウンロードして、ニュースグループ名を見てみましょう。

In[7]: from sklearn.datasets import fetch_20newsgroups

data = fetch_20newsgroups()

data.target_names

Out[7]: ['alt.atheism',

'comp.graphics', ...