大数据：Spark mlib(二) Naive bayes朴素贝叶斯分类之多元朴素贝叶斯源码分析

1. 什么是朴素贝叶斯

朴素贝叶斯是一种构建分类器，该分类器基于一个理论：所有朴素贝叶斯分类器都假定样本每个特征与其他特征都不相关

2. 朴素贝叶斯概率模型

概率模型分类器是一个条件概率模型：（独立的类别特征C有若干类别，条件依赖于若干特征变量F1,F2,...,Fn）

       

贝叶斯定理：

  

我们可以看到分母并不依赖于C，而且特征Fn的概率是给定的，分母可以认为是一个常数。

这样分子就等价于联合分布模型， 使用链式法则，可将该式写成条件概率的形式，如下所示

  

假设每个特征Fi对于其他特征Fj是条件独立的。

这就意味着

 

  

3. 多元朴素贝叶斯

p(X|Ck)表示事件i发生的概率，特征向量X=(x1,x2,...,xn)，其中xi表示事件i在特定的对象中被观察到的次数。

 X的似然函数如下所示：

多元朴素贝叶斯分类器：使用对数转化成线性分类器。

  

如果一个事件在特征向量i中没有出现过，那么i的特征值概率将为0，而0的对数是无效的，需要对每个小类样本概率进行修正，以保证不会出现有为0的概率出现，需要加上平滑系数，常用到的平滑就是加1平滑（也称拉普拉斯平滑）。

多元朴素贝叶斯常用于文档的归类分析

4. Spark实现多元朴素贝叶斯

4.1 计算事件i的特征向量的次数

要实现多元朴素贝叶斯模型，首先要归并同一事件i的特征向量的次数，那么我们很容易想到函数AggregateByKey，事件i作为key进行归并

    val aggregated = dataset.select(col($(labelCol)), w, col($(featuresCol))).rdd
      .map { row => (row.getDouble(0), (row.getDouble(1), row.getAs[Vector](2)))
      }.aggregateByKey[(Double, DenseVector)]((0.0, Vectors.zeros(numFeatures).toDense))(
      seqOp = {
         case ((weightSum: Double, featureSum: DenseVector), (weight, features)) =>
           requireValues(features)
           BLAS.axpy(weight, features, featureSum)
           (weightSum + weight, featureSum)
      },
      combOp = {
         case ((weightSum1, featureSum1), (weightSum2, featureSum2)) =>
           BLAS.axpy(1.0, featureSum2, featureSum1)
           (weightSum1 + weightSum2, featureSum1)
      }).collect().sortBy(_._1)

• DataSet的支持：在Spark 2.1后部分mlib库对dataset进行支持，在这种情况下需要把原来的LabeledPoint进行转化成DataSet
• Weight 权重支持：你可以定义每一个特征纬度的权重，特征纬度的权重最后会影响log(P(Ck))的值，默认的权重设置为1
• seqOp：在同一个Partation中的合并操作 combOp: 不同的Partition 的最后合并操作 

4.2 计算事件i的概率

    val piLogDenom = math.log(numDocuments + numLabels * lambda)
    var i = 0
    aggregated.foreach { case (label, (n, sumTermFreqs)) =>
      labelArray(i) = label
      piArray(i) = math.log(n + lambda) - piLogDenom
......
}
}

计算事件I的概率对数：

log(P|Ck) = math.log((n+lambda)/(numDocuments+numLabels*lamdba))

假如：有两个事件A,B,特征向量是x1,x2,x3

数据集合如下：

A 1 2 3

A 3 4 1

B 3 2 4

B 5 7 1

计算log(P|A)

n: 就是事件A的数量 2（权重是1的情况下）

numDocuments: 就是总数据集合的数量 4

numLabels: 就是合并后剩下的数据集合的数量 2，也就是事件的数量(A,B)

lambda:就是为了防止为0的平滑系数

 

4.3 计算事件i的每个特征的概率

 val thetaLogDenom = $(modelType) match {
        case Multinomial => math.log(sumTermFreqs.values.sum + numFeatures * lambda)
        case _ =>
          // This should never happen.
          throw new UnknownError(s"Invalid modelType: ${$(modelType)}.")
      }
      var j = 0
      while (j < numFeatures) {
        thetaArray(i * numFeatures + j) = math.log(sumTermFreqs(j) + lambda) - thetaLogDenom
        j += 1
      }

计算每个特征的概率对数：

log(Pxi)=math.log((sumtermfreqs(i)+lambda)/(sumtermfreqs.values.sum+numFeatures*lamdba))

沿用上面的例子：

sumtermfreqs(i):就是每个特征值xi在事件A下的数量

sumtermfreqs.values.sum 就是所有特征值x1...xn在事件A下的数量和

numfeatures: 就是总的特征向量的数量n

4.4 构建矩阵和向量生成模型

向量：事件A,B的概率向量

举证：事件A,B的每一个特征的概率，构成一个以特征数量为行，以事件为列的密度矩阵，保存到朴素贝叶斯模型中去

 val pi = Vectors.dense(piArray)
    val theta = new DenseMatrix(numLabels, numFeatures, thetaArray, true)
    new NaiveBayesModel(uid, pi, theta).setOldLabels(labelArray)

4.5 如何进行分类

按照多元朴素贝叶斯计算模型

计算log(P(Ck))+sum(xi*log(Pki))为归为某个事件的概率

log(p(Ck))和log(Pki)都已经在前面计算好了，唯一要做的是将要用于分类的数据*log(Pki)并且求和，加上log(Pck)就可以了，会不会很奇怪为什么是求和而不是求乘法，通常贝叶斯公式都是乘法，因为这里是求了对数，所以乘法变成了加法

如何分类？

MAP决策准则：选出算出最大的概率所属的分类

4.6 如何判定模型有效

使用常用的交叉验证方式，将已经分类好的数据集合随机分成测试数据和训练数据，使用训练数据进行训练计算概率矩阵，使用测试数据进行预测分类，计算预测的准确率，设定自己定义的准确率，如果达到就判定训练的模型有效。

    val Array(training, test) = data.randomSplit(Array(0.6, 0.4))

    val model = NaiveBayes.train(training, lambda = 1.0, modelType = "multinomial")

    val predictionAndLabel = test.map(p => (model.predict(p.features), p.label))
    val accuracy = 1.0 * predictionAndLabel.filter(x => x._1 == x._2).count() / test.count()