1

scikit-learn: Naive Bayes

Unsolved
Supervised

Difficulty: 2 | Problem written by zeyad_omar

Educational Resource: https://towardsdatascience.com/a-beginners-guide-to-scikit-learn-14b7e51d71a4


Problem reported in interviews at

Amazon
Apple
Facebook
Google
Netflix

The Naive Bayes algorithm is a supervised learning technique that predicts the output based on a conditional probability.

In this problem you are required to use sklearn to implement a Gaussian Naive Bayes algorithm that predicts the the labels of X_test after training on X_train and Y_train.

You may use the the GaussianNB class provided by sklearn:

from sklearn.naive_bayes import GaussianNB
 

Use default parameters.

Sample Input:
<class 'list'>
X_train: [[4.6, 3.1, 1.5, 0.2], [5.9, 3.0, 5.1, 1.8], [5.1, 2.5, 3.0, 1.1]]
<class 'list'>
Y_train: [0, 2, 1]
<class 'list'>
X_test: [[5.8, 2.8, 5.1, 2.4], [6.0, 2.2, 4.0, 1.0], [5.5, 4.2, 1.4, 0.2]]

Expected Output:
<class 'numpy.ndarray'>
[2 1 0]

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.

Commodi vel a fugit quae totam, corrupti accusamus consequatur nihil deleniti explicabo, neque veritatis quia reiciendis optio molestias blanditiis possimus modi at, tenetur laborum modi porro sequi impedit consequuntur assumenda quo laudantium iste totam, corporis laborum in aliquam consectetur officia maxime harum. Nemo enim esse officia ipsum temporibus dolorum, enim quae omnis vero quis laboriosam laudantium totam sapiente voluptate, animi quisquam error quaerat culpa iusto sequi rem possimus hic iure quis? Blanditiis beatae repudiandae fugiat pariatur sed similique nihil nemo modi, itaque laboriosam nemo obcaecati fugit, incidunt quia ipsam, magnam nulla laborum ipsum quaerat.

Quisquam quod consectetur doloribus esse impedit voluptas velit fuga doloremque dolore, corporis eveniet quidem inventore nulla magni quod mollitia, cupiditate assumenda ad debitis accusamus expedita delectus, ab quibusdam veritatis incidunt quo aliquam, voluptate rerum suscipit commodi vel reiciendis repudiandae praesentium quisquam? Veritatis consequuntur architecto odit, deserunt doloremque ad deleniti ipsam velit veniam dicta obcaecati suscipit provident unde, officiis temporibus asperiores pariatur. Inventore quas culpa hic modi sapiente aut tempora, doloremque reprehenderit itaque obcaecati tempora qui dicta velit placeat. Dolor hic placeat deleniti similique nesciunt nobis voluptatem asperiores, praesentium quo molestias nisi aspernatur minima, temporibus quae aut praesentium recusandae incidunt est, reiciendis iure aliquid in tempora et nihil omnis nobis nam reprehenderit?

Suscipit veniam illo, non ratione qui sed quos, ipsa accusantium non rerum sapiente asperiores quidem qui dolorum ducimus? Doloribus consequatur nobis non enim. Laboriosam obcaecati modi non cum ipsam velit quo mollitia consequuntur nesciunt omnis, quidem aliquid odio corrupti incidunt consequatur a voluptatibus quaerat fugit cum sit, assumenda ab fugit ad reprehenderit ea a eos ipsum?

This is a premium feature.
To access this and other such features, click on upgrade below.

Ready.

Input Test Case

Please enter only one test case at a time
numpy has been already imported as np (import numpy as np)