文章目录
朴素贝叶斯
朴素贝叶斯是基于贝叶斯公式与特征条件独立假设的分类方法(注:贝叶斯公式是数学定义,朴素贝叶斯是机器学习算法)。朴素贝叶斯基于输入和输入的联合概率分布,对于给定的输入,利用贝叶斯公式求出后验概率最大的输出。即可以总结为以下三点
- 已知类条件概率密度函数表达式和先验概率
- 利用贝叶斯公式转换成后验概率
- 根据后验概率大小进行决策分类
朴素贝叶斯学习目标
- 朴素贝叶斯构造
- 朴素贝叶斯基本公式
- 朴素贝叶斯参数估计
- 多项式朴素贝叶斯、伯努利朴素贝叶斯、高斯朴素贝叶斯
- 朴素贝叶斯流程
- 朴素贝叶斯优缺点
朴素贝叶斯引入
假设现在有一个有两个类别的鸢尾花数据集,并且已经知晓每个数据的分类情况,并且假设数据的分布如下图所示。
# 朴素贝叶斯引入图例
from matplotlib.font_manager import FontProperties
import matplotlib.pyplot as plt
from sklearn import datasets
%matplotlib inline
font = FontProperties(fname='/Library/Fonts/Heiti.ttc')
iris_data = datasets.load_iris()
X = iris_data.data[0:100, [0, 1]]
y = iris_data.target[0:100]
plt.scatter(X[0:50, [0]], X[0:50, [1]], color='r',
s=50, marker='o', label='山鸢尾')
plt.scatter(X[50:100, [0]], X[50:100, [1]],
color='b', s=50, marker='x', label='杂色鸢尾')
plt.xlabel('花瓣长度(cm)', fontproperties=font)
plt.ylabel('花瓣宽度(cm)', fontproperties=font)
plt.legend(prop=font)
plt.show()
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qH98JIAe-1582805693567)(02-27%20%E6%9C%B4%E7%B4%A0%E8%B4%9D%E5%8F%B6%E6%96%AF_files/02-27%20%E6%9C%B4%E7%B4%A0%E8%B4%9D%E5%8F%B6%E6%96%AF_6_0.png)]
现在假设有一个未知分类的鸢尾花数据,用表示样本属于山鸢尾(red)的概率,用表示属于杂色鸢尾(blue)的概率,。
假设如果则为山鸢尾,否则为杂色鸢尾,即选择概率高的类别作为新样本的分类结果。这就是贝叶斯决策理论的核心思想,选择具有最高概率的决策。
如果使用条件概率来表示这个上述所说的分类,则可以表示为
KaTeX parse error: No such environment: align at position 8:
\begin{̲a̲l̲i̲g̲n̲}̲
& p(red|x_1,x_…
即如果出现一个新样本,假设数据集有个特征、个分类,只需要计算这个样本的
如果只有两个特征和,那么计算并不会很难,按照条件公式计算即可,但是你有没有想过如果有特征,个分类呢?即计算
上述的计算量是非常大的,那么我们有没有一种简单的方法能够改善该公式呢?有是有一定有的,即朴素贝叶斯法。
朴素贝叶斯详解
朴素贝叶斯构造
假设现有一个训练集有个类别,个样例,每个样例有个特征,训练集可以表示为
从样本中可以得到
朴素贝叶斯的先验分布为,
朴素贝叶斯的条件概率分布为,
利用条件概率公式得到和的联合分布
KaTeX parse error: No such environment: align at position 8:
\begin{̲a̲l̲i̲g̲n̲}̲
p(X,Y) & = p((…
由于是一个个维度的条件分布,计算难度超级复杂,因此假设的个维度之间相互独立(注:如果特征之间有大部分不是独立存在的,则应该尽量不要使用朴素贝叶斯模型,而应该考虑使用其他的分类方法),则可以把这个维的条件分布改写成
虽然改写后的联合分布计算更加简单,但是由于假设所有的特征都是独立的,因此会相应的降低预测的不准确性。
朴素贝叶斯基本公式
假设已经得到了训练集的和值,假设现有一个测试样本,则可以根据贝叶斯公式求得个分类各自的概率。
KaTeX parse error: No such environment: align at position 8:
\begin{̲a̲l̲i̲g̲n̲}̲
p(c_k|x_{1},x_…
求得所有分类各自的概率之后,哪一个分类的概率最大,则样本属于哪一个分类。
KaTeX parse error: No such environment: align at position 8:
\begin{̲a̲l̲i̲g̲n̲}̲
样本类别 & = max\,…
其中表示是中所有的值中最大的输出;表示是中,输出的那个参数。
由于每一个类别的概率公式的分子都是相同的,把分子去掉后则可以把上述公式转化为朴素贝叶斯模型的基本公式
KaTeX parse error: No such environment: align at position 8:
\begin{̲a̲l̲i̲g̲n̲}̲
样本类别 & = \unde…
朴素贝叶斯参数估计
朴素贝叶斯模型的基本公式为
其中通过极大似然估计很容易算出样本类别的出现频率,假设出现次,则
而对于,则需要考虑特征值的取值与分布情况。
特征值为离散值
假设是离散值,则可以假设符合多项式分布,这种情况下的是样本类别中特征出现的频率,假设在中出现的次数为,则
由于假设所有特征相互独立,如果某个特征没有出现在某个类别中,则会使分类产生偏差,一般采用贝叶斯估计解决该问题,即引入拉普拉斯平滑(Laplace smoothing),即
其中,当时为最大似然估计;时称为拉普拉斯平滑,为第j个特征可以能取值的个数(注:由于是离散的值,有可能出现多次,并且每次出现的值可能不同)。
特征值为稀疏的离散值
假设是非常稀疏的离散值,即各个特征出现的概率很低,这个时候可以假设符合伯努利分布,即特征出现为,不出现为。则是在样本类别中出现的频率,则
特征值为连续值
假设是连续值,则假设符合高斯分布(正态分布),则可以把直接带入正态分布公式,即可得
其中是所有的期望值,是所有的方差
三种不同的朴素贝叶斯
多项式朴素贝叶斯
多项式朴素贝叶斯(Multinomial Naive Bayes)特征值符合多项式分布,多用于高维度向量分类,即样本特征为多元离散值,因此最常用于文章分类。
from sklearn.naive_bayes import MultinomialNB
伯努利朴素贝叶斯
伯努利朴素贝叶斯(Bernoulli Naive Bayes)特征值符合伯努利分布,针对布尔类型特征值的向量做分类,即样本特征为二元离散值,或者为稀疏的多元离散值。
from sklearn.naive_bayes import BernoulliNB
高斯朴素贝叶斯
高斯朴素贝叶斯(Gaussian Naive Bayes)特征符合高斯分布,多用于特征值为连续值,可以利用高斯概率密度公式进行分类拟合。
from sklearn.naive_bayes import GaussianNB
朴素贝叶斯流程
输入
有个实例维特征的数据集
其中是第个实例的特征向量即,是第个实例的第个特征,,是第个特征可能的第个值,,是第个类;实例。
输出
实例的类别。
流程
- 计算先验概率和条件概率,即
KaTeX parse error: No such environment: align at position 8: \begin{̲a̲l̲i̲g̲n̲}̲ & p(Y=c_k) = {… - 对于给定的实例,计算
- 确定实例的类别
朴素贝叶斯优缺点
优点
- 朴素贝叶斯源自古典数学理论,其中用到了古典概率,有稳定的分类效果
- 对小规模数据表现很好,不需要使用(OvR)即可以处理多分类问题,并且可以把数据集拆分训练达到增量的目的
- 由于假设特征间相互独立,对缺失值不敏感,常用于文本分类
缺点
- 由于假设特征间相互独立,也导致了分类的准确性会有误差(注:针对这一点可以调节关联不独立的特征,即半朴素贝叶斯算法)
- 由于后验概率的计算往往都假设先验概率已知,对数据的分布也有假设,有可能会因为假设的不确定性导致分类的准确性有误差
小结
朴素贝叶斯法是基于贝叶斯公式的一个理论,如果能记住贝叶斯公式并对概率论能提前有一个大概的了解,会更利于理解朴素贝叶斯法。
朴素贝叶斯法在能够很好地解决多分类问题,但是由于它最大的缺点,即假设特征都是独立的,所以一般被用于文本分类,因为一般会认为单词与单词之间都是相互独立的。
下一篇将会介绍一个在深度学习流行之前在工业上最常用的分类器,即支持向量机。
来源:CSDN
作者:小猿取经
链接:https://blog.csdn.net/weixin_46032351/article/details/104543980