朴素贝叶斯算法

简介

贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。本文作为分类算法的第一篇，将首先介绍分类问题，对分类问题进行一个正式的定义。然后，介绍贝叶斯分类算法的基础——贝叶斯定理。最后，通过实例讨论贝叶斯分类中最简单的一种：朴素贝叶斯分类。

综述

对于分类问题，其实谁都不会陌生，说我们每个人每天都在执行分类操作一点都不夸张，只是我们没有意识到罢了。例如，当你看到一个陌生人，你的脑子下意识判断TA是男是女；你可能经常会走在路上对身旁的朋友说“这个人一看就很有钱、那边有个非主流”之类的话，其实这就是一种分类操作。

从数学角度来说，分类问题可做如下定义：

已知集合：C = {y1, y2, y3, y4.....yn}和 I = {x1, x2, x3 ..... xn}，确定映射规则 y = f(x)，使得任意 x 属于 I 有且仅有一个 yi 属于 C 使得 y1 = f(x) 成立。（不考虑模糊数学里的模糊集情况）

其中C叫做类别集合，其中每一个元素是一个类别，而I叫做项集合，其中每一个元素是一个待分类项，f叫做分类器。分类算法的任务就是构造分类器f。

这里要着重强调，分类问题往往采用经验性方法构造映射规则，即一般情况下的分类问题缺少足够的信息来构造100%正确的映射规则，而是通过对经验数据的学习从而实现一定概率意义上正确的分类，因此所训练出的分类器并不是一定能将每个待分类项准确映射到其分类，分类器的质量与分类器构造方法、待分类数据的特性以及训练样本数量等诸多因素有关。

例如，医生对病人进行诊断就是一个典型的分类过程，任何一个医生都无法直接看到病人的病情，只能观察病人表现出的症状和各种化验检测数据来推断病情，这时医生就好比一个分类器，而这个医生诊断的准确率，与他当初受到的教育方式（构造方法）、病人的症状是否突出（待分类数据的特性）以及医生的经验多少（训练样本数量）都有密切关系。

贝叶斯定理

已知某条件概率，如何得到两个事件交换后的概率，也就是在已知P(A|B)的情况下如何求得P(B|A)。这里先解释什么是条件概率：

表示事件B已经发生的前提下，事件A发生的概率，叫做事件B发生下事件A的条件概率。其基本求解公式为：p(A | B) = p(AB)/ p(B)。

贝叶斯定理之所以有用，是因为我们在生活中经常遇到这种情况：我们可以很容易直接得出P(X|y)，P(y|X)则很难直接得出，但我们更关心P(y|X)，贝叶斯定理就为我们打通从P(A|B)获得P(B|A)的道路。

X是多个变量特征， y一般是一个输出变量， 所以 P(X|y)很容易从表中求出（计算量=n*m, n特征长度，m每个特征有多少个状态）， 但是P(y|X) 求的时候相对麻烦很多（计算量= n^m n特征长度，m每个特征有多少个状态， 假如特征有 100个，每个特征有10个状态， 计算量就是 100^10 = 100000000000000000000）。

 

下面不加证明地直接给出贝叶斯定理：P(B | A) = P(A | B) * P(B) / P(A)

朴素贝叶斯原理与流程

朴素贝叶斯分类是一种十分简单的分类算法，叫它朴素贝叶斯分类是因为这种方法的思想真的很朴素，朴素贝叶斯的思想基础是这样的：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。通俗来说，就好比这么个道理，你在街上看到一个黑人，我问你你猜这哥们哪里来的，你十有八九猜非洲。为什么呢？因为黑人中非洲人的比率最高，当然人家也可能是美洲人或亚洲人，但在没有其它可用信息下，我们会选择条件概率最大的类别，这就是朴素贝叶斯的思想基础。

朴素贝叶斯分类的正式定义如下：

1、设 X = {a1, a2, a3, a4, ..... am} 为一个待分类项，而每个a为x的一个特征属性。

2、有类别集合 C = {y1, y2, y3, y4, .... yn}

3、计算P(y1 | X), P(y2 | X), P(y3 | X), P(y4 | X), P(yn | X)

4、如果 y(yi | X ) = max{P(y1 | X), P(y2 | X), P(y3 | X), P(y4 | X), P(yn | X)} 那么 X 属于 i 类

1、找到一个已知分类的待分类项集合，这个集合叫做训练样本集。

2、统计得到在各类别下各个特征属性的条件概率估计。即

P(a1 | y1), P(a2 | y1), P(a3 | y1), P(an | y1), P(a1 | y2), P(a2 | y2), P(a3 | y2), P(an | y2), P(a1 | y3), P(a2 | y3), P(a3 | y3), P(am | y3), P(a1 | ym), P(a2 | ym), P(a3 | ym), P(am | ym).

3、如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：

p(yi | x) = p(x | yi) * p(yi) / p(x)

根据上述分析，朴素贝叶斯分类的流程可以由下图表示（暂时不考虑验证）

可以看到，整个朴素贝叶斯分类分为三个阶段：

第一阶段——准备工作阶段，这个阶段的任务是为朴素贝叶斯分类做必要的准备，主要工作是根据具体情况确定特征属性，并对每个特征属性进行适当划分，然后由人工对一部分待分类项进行分类，形成训练样本集合。这一阶段的输入是所有待分类数据，输出是特征属性和训练样本。这一阶段是整个朴素贝叶斯分类中唯一需要人工完成的阶段，其质量对整个过程将有重要影响，分类器的质量很大程度上由特征属性、特征属性划分及训练样本质量决定。

第二阶段——分类器训练阶段，这个阶段的任务就是生成分类器，主要工作是计算每个类别在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录。其输入是特征属性和训练样本，输出是分类器。这一阶段是机械性阶段，根据前面讨论的公式可以由程序自动计算完成。

第三阶段——应用阶段。这个阶段的任务是使用分类器对待分类项进行分类，其输入是分类器和待分类项，输出是待分类项与类别的映射关系。这一阶段也是机械性阶段，由程序完成。