朴素贝叶斯

朴素贝叶斯

朴素贝叶斯算法概念

贝叶斯方法

贝叶斯方法是以贝叶斯原理为基础，使用概率统计的知识对样本数据集进行分类。由于其有着坚实的数学基础，贝叶斯分类算法的误判率是很低的。贝叶斯方法的特点是结合先验概率和后验概率，即避免了只使用先验概率的主观偏见，也避免了单独使用样本信息的过拟合现象。贝叶斯分类算法在数据集较大的情况下表现出较高的准确率，同时算法本身也比较简单。

朴素贝叶斯

朴素贝叶斯算法（Naive Bayesian algorithm） 是应用最为广泛的分类算法之一。
朴素贝叶斯方法是在贝叶斯算法的基础上进行了相应的简化，即假定给定目标值时属性之间相互条件独立。也就是说没有哪个属性变量对于决策结果来说占有着较大的比重，也没有哪个属性变量对于决策结果占有着较小的比重。虽然这个简化方式在一定程度上降低了贝叶斯分类算法的分类效果，但是在实际的应用场景中，极大地简化了贝叶斯方法的复杂性。

条件概率

条件分布试图回答这样一个问题，当我们知道$X$必须取某个值$x$时，$Y$上的概率分布是什么？在离散情况下，给定$Y$的条件概率质量函数是简单的：
$$p_{Y|X}(y|x)=\frac{p_{XY}(x,y)}{p_X(x)}$$
假设分母不等于0。

在连续的情况下，在技术上要复杂一点，因为连续随机变量的概率等于零。忽略这一技术点，我们通过类比离散情况，简单地定义给定$X=x$的条件概率密度为：
$$f_{Y|X}(y|x)=\frac{f_{XY}(x,y)}{f_X(x)}$$
假设分母不等于0。

全概率公式

全概率公式是概率论中的重要工具，用于将复杂事件的概率分解为多个简单事件概率的组合，从而简化计算。它的核心思想是 “分而治之”，通过将样本空间划分为若干互斥且完备的事件组，间接求出目标事件的概率。

$$P(A)=\sum _{i=1}^{n}P(B_i)\cdot P(A|B_i)$$

贝叶斯定理

贝叶斯理论认为任意未知量θ都可以看作一个随机变量，对该未知量的描述可以用一个概率分布π(θ)来概括，这是贝叶斯学派最基本的观点。当这个概率分布在进行现场试验或者抽样前就已确定，便可将该分布称为先验分布，再结合由给定数据集X计算样本的似然函数L(θ|**X)**后，即可应用贝叶斯公式计算该未知量的后验概率分布。
$$P(c|x)=\frac{\stackrel{\text{似然函数 }\text{ 类先验概率}}{P(x|c)P(c)}}{\underset{\text{全概率}}{\sum P(x|c)P(c)}}$$

为什么“朴素”

“朴素” 体现在朴素贝叶斯算法假定特征条件之间相互独立。在现实世界中，很多特征之间往往存在关联，但朴素贝叶斯为简化计算和模型构建，做出了这一相对 “简单粗暴” 的假设 。

这是朴素贝叶斯 “朴素” 之处。假设在给定类别 c 的条件下，各个特征x1,x2,x3,…,xn之间相互独立。基于此假设，(P(x|c)) 可展开为：
$$P(x|c)=P(x_1|c)P(x_2|c)\cdots P(x_n|c)$$
比如在文本分类中，假设每个词的出现都不依赖于其他词（实际不完全如此，但该假设简化计算）。

基于此假设，在计算给定类别下特征出现的联合概率时，可将其转化为各个特征条件概率的乘积，大幅降低计算复杂度。例如在文本分类里，正常情况下词语间存在语义关联、语法搭配等关系，但朴素贝叶斯假设每个词的出现都不依赖于其他词，从而简化模型，使其在很多场景下仍能有效工作。 正是因为这种对特征独立性的简化假设，该算法被称为 “朴素” 的贝叶斯算法。

典型用例——邮件分类

贝叶斯定理基础公式

$$P(c|x)=\frac{P(x|c)P(c)}{P(x)}$$

特征条件独立假设下的似然函数展开

$$P(x|c)=P(x_1|c)P(x_2|c)\cdots P(x_n|c)$$

类先验概率计算

$$P(c)=\frac{N_c}{N}$$

后验概率计算（省略归一化因子）

$$P(c|x)\propto P(c)\prod _{i=1}^{n}P(x_i|c)$$

垃圾邮件分类示例中的具体计算

类先验概率

$$P(c_1)=0.3,P(c_2)=0.7$$

条件概率

• 垃圾邮件中出现“促销”的概率：$P(x_1|c_1)$
• 正常邮件中出现“促销”的概率：$P(x_1|c_2)$
• 垃圾邮件中未出现“免费”的概率：$P(\neg x_2|c_1)$
• 正常邮件中未出现“免费”的概率：$P(\neg x_2|c_2)$

后验概率比较

$$P(c_1|x)\propto P(c_1)\cdot P(x_1|c_1)\cdot P(\neg x_2|c_1)$$
$$P(c_2|x)\propto P(c_2)\cdot P(x_1|c_2)\cdot P(\neg x_2|c_2)$$

分类决策规则

c ^ = arg ⁡ max ⁡ c ∈ { c 1 , c 2 } P ( c ∣ x ) \hat{c} = \arg\max_{c \in \{c_1, c_2\}} P(c|x) c^=argc∈{c1​,c2​}max​P(c∣x)

代码实现

使用numpy

# 使用numpy实现朴素贝叶斯
import numpy as np
import pandas as pd
from matplotlib import pyplot as plt### 构造数据集
### 来自于李航统计学习方法表4.1
x1 = [1,1,1,1,1,2,2,2,2,2,3,3,3,3,3]
x2 = ['S','M','M','S','S','S','M','M','L','L','L','M','M','L','L']
y = [-1,-1,1,1,-1,-1,-1,1,1,1,1,1,1,1,-1]df = pd.DataFrame({'x1':x1, 'x2':x2, 'y':y})X = df[['x1','x2']]
y = df[['y']]
y[y.columns[0]].unique()def nb_fit(X, y):# 获取所有类别标签classes = y[y.columns[0]].unique()print(classes)# 计算每个类别的样本数量class_count = y[y.columns[0]].value_counts()# 计算每个类别的先验概率（类别概率）class_prior = class_count/len(y)# 初始化条件概率字典prior = dict()# 遍历每个特征列for col in X.columns:# 遍历每个类别for j in classes:# 获取当前类别下该特征列的值统计p_x_y = X[(y==j).values][col].value_counts()# 遍历该特征列的所有可能取值for i in p_x_y.index:# 计算条件概率 P(X_i|Y_j)# 即：在类别j下，特征col取值为i的概率prior[(col, i, j)] = p_x_y[i]/class_count[j]# 返回：类别列表、类别先验概率、条件概率字典return classes, class_prior, priorclasses, class_prior, prior = nb_fit(X, y)def predict(X_test):res = []for c in classes:p_y = class_prior[c]p_x_y = 1for i in X_test.items():p_x_y *= prior[tuple(list(i)+[c])]res.append(p_y*p_x_y)return classes[np.argmax(res)]X_test = {'x1': 2, 'x2': 'S'}
print('测试数据预测类别为：', predict(X_test))

使用Sklern

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=0)
gnb = GaussianNB()
y_pred = gnb.fit(X_train, y_train).predict(X_test)
print("Accuracy of GaussianNB in iris data test:", accuracy_score(y_test, y_pred))