我运行了这个简单的朴素贝叶斯程序:

import numpy as npX = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])Y = np.array([1, 1, 1, 2, 2, 2])from sklearn.naive_bayes import GaussianNBclf = GaussianNB()clf.fit(X, Y)print(clf.predict([[-0.8, -1],[-0.9, -1]]))

我得到的结果是:

[1 1]

[-0.8, -1]被分类为1，而[-0.9, -1]被分类为2。如果我知道我的数据都来自同一个类别，即[[-0.8, -1],[-0.9, -1]]来自同一个类别，有没有办法让scikit-learn的朴素贝叶斯分类器将这些数据作为一个整体进行分类（在这种情况下给我[1]作为结果），而不是单独对每个数据点进行分类。

回答：

朴素贝叶斯分类器是单独对每个输入进行分类（而不是作为一个组）。如果你知道所有输入都属于同一个（但未知）的类别，那么你需要做一些额外的工作来得到你的结果。一个选项是从clf.predict的结果中选择计数最多的类别，但如果你的组中只有两个实例，这可能不太有效。

另一个选项是调用GaussianNB分类器的predict_proba，它将返回每个输入的所有类的概率。你可以使用这些个别概率（例如，你可以对每个类的概率求和）来决定如何对组进行分类。

你甚至可以结合这两种方法 – 使用predict并选择计数最高的类别，但使用predict_proba来打破平局。