概述
樸素貝葉斯法是可以用于分類(二分類,多分類)任務。基于三大公式(條件公式,貝葉斯公式,全機率公式),算法首先學習訓練資料集的統計特征,然後該統計特性輸出測試樣本的分類。
背景知識
- 條件機率公式及了解 P(AB)為聯合機率分布,即A,B同時發生的事件,對應途中的相交部分。P(A|B)表示,在B發生的條件下,A發生的機率,說白了,就是A,B相交的區域占B的多少?
2.全機率公式
其實全機率公式是一個分塊的思想。也就是“知因求果,”舉個例子:
A=[富,帥],B=好男人。那麼一個男生他是好男人的機率P(B)是多少呢?
本例中,決定一個男生是否為好男人的因素有兩個:富,帥。P(B|A=富)表示:在男生富的條件下,他是好男人的機率。P(B|A=帥)表示:在帥的條件下,他是好男人的機率。那麼,一個男生是好男人的機率就可以拆分為兩部分:因為“富”,是以是好男人 +因為“帥”,是以是好男人,兩者的機率之和。
- 貝葉斯公式、
貝葉斯公式與全機率公式正好相反。全機率公式是“知因求果”,貝葉斯公式是“知果求因”,運用上面的例子,就是說 我現在已經知道男生是好男人的,但是他很有錢的機率是多少?這也可以根據條件機率公式跟全機率公式推導出來:
樸素貝葉斯算法
掌握樸素貝葉斯算法需要掌握以下幾點:
- 樸素貝葉斯的強假設
- 樸素貝葉斯的思想和原理
- 參數估計方法
- 後驗機率最大化的含義
樸素貝葉斯的強假設
樸素貝葉斯算法的理論基礎是貝葉斯公式,他有一個強假設,即對條件機率分布坐了獨立性的假設。
其中,X(i)可以了解為影響結果的每一個因素,條件機率分布獨立意思就是每個因素互相獨立,例如說 富不會導緻你帥。
樸素貝葉斯的思想和原理
樸素貝葉斯的核心就是貝葉斯公式:
算法的學習過程就是從資料中統計出兩個機率分布:
有了這兩個分布,就可以通過貝葉斯公式算出
也就是在X是x因素的情況下,Y是ck這個label的機率是多少。最後通過最大化4.7式來确定測試樣本點的分類
參數估計方法:
-
極大似然法
其實就是算占比 ,例如P(X=1|Y=1),先數Y=1的樣本有多少個,在從這些樣本中看看X=1的樣本點占比是多少。這是最簡單的情況,實際中會給出P(X|Y)的機率模型,如高斯等
-
貝葉斯估計
在極大似然法的基礎上加上一個常數,防止出現機率為0的情況。
後驗機率最大化的含義
為什麼要最大化4.7式子?對應的是期望經驗風險最小化,具體的推導看書啦,從直覺上也很好了解,機率越大,可能性越大嘛。
代碼分析
高斯樸素貝葉斯模型,這裡算法是的學習過程就是通過訓練樣本計算出P(xi|yk)。
- 計算方差,标準差,高斯模型機率的函數:
def mean(X):
return sum(X) / float(len(X))
# 标準差(方差)
def stdev(self, X):
avg = self.mean(X)
return math.sqrt(sum([pow(x - avg, 2) for x in X]) / float(len(X)))
# 機率密度函數
def gaussian_probability(self, x, mean, stdev):
exponent = math.exp(-(math.pow(x - mean, 2) /
(2 * math.pow(stdev, 2))))
return (1 / (math.sqrt(2 * math.pi) * stdev)) * exponent
- 處理資料集:
def summarize(self, train_data):
summaries = [(self.mean(i), self.stdev(i)) for i in zip(*train_data)]
return summaries
注意這裡求的是每一個X特征的期望和标準差,也就是一個樣本對應一個期望,一個标準差。
- 模型訓練:
# 分類别求出數學期望和标準差
def fit(self, X, y):
labels = list(set(y))
data = {label: [] for label in labels}
for f, label in zip(X, y):
data[label].append(f) # 對應的label 加入對象的特征量
self.model = { #整理出期望與方差
label: self.summarize(value)
for label, value in data.items()
}
print(self.model)
return 'gaussianNB train done!'
這裡就是算出P(xi|yk)的過程,算完了模型也就是訓練好了。
- 計算機率
def calculate_probabilities(self, input_data):
# summaries:{0.0: [(5.0, 0.37),(3.42, 0.40)], 1.0: [(5.8, 0.449),(2.7, 0.27)]}
# input_data:[1.1, 2.2]
probabilities = {}
for label, value in self.model.items():
probabilities[label] = 1
for i in range(len(value)):
mean, stdev = value[i] #取每個向量,每個向量都有對應的期望和方差
probabilities[label] *= self.gaussian_probability(
input_data[i], mean, stdev)
return probabilities
- 預測分類 就是一個找最大值得過程。
# 類别
def predict(self, X_test):
# {0.0: 2.9680340789325763e-27, 1.0: 3.5749783019849535e-26}
label = sorted(
self.calculate_probabilities(X_test).items(), #都算,取最大值
key=lambda x: x[-1])[-1][0]
return label
def score(self, X_test, y_test):
right = 0
for X, y in zip(X_test, y_test):
label = self.predict(X)
if label == y:
right += 1
return right / float(len(X_test))