朴素贝叶斯原理【详细介绍，一文看懂】

贝叶斯分类算法是统计学是一种概率分类方法，朴素贝叶斯分类时贝叶斯分类中最简单的一种。利用贝叶斯公式根据某特征的先验概率计算出其后延概率，然后选择具有最大后延概率的类作为该特征所属的类。朴素贝叶斯，称之为“朴素”，是因为整个形式化过程只做了最原始、最简单的假设，具体假设如下：

1. 特征之间相互独立
2. 每个特征同等重要

1. 概率相关

先验概率： 比如向女生表白成功的概率是20%，记为P(A)=20%

条件概率：在事件B发生的情况下，事件A发生的概率，用P(A|B)表示，具体计算公式如下。如帅的前提下，向女生表白成功的概率为50%，记为P(A|B)=50%。
$$\begin{gathered} P(A|B)=\frac{P(A\cap B)}{P(B)} \\ P(A\cap B)=P(A|B)P(B) \end{gathered}$$
同理可得：在事件A发生的情况下，事件B发生的概率，用P(B|A)表示，具体计算公式如下：
$$\begin{gathered} P(B|A)=\frac{P(A\cap B)}{P(A)} \\ P(A\cap B)=P(B|A)P(A) \end{gathered}$$

联合概率：事件A和B同时发生的概率 。比如，长得帅且向女生表白成功的概率为1%，记为P(A∩B)=1%

条件概率和联合概率之间的关系，可用下式表示：
$$P(A\cap B)=P(A|B)P(B)=P(B|A)P(A)$$
所以就会有：
$$P(A|B)=\frac{P(B|A)P(A)}{P(B)}$$
全概率： 如果事件A不是一个条件，而是一堆条件，这些条件互斥且能穷尽所有可能 。则对任意一个事件B则有
$$P(B)=\sum _{i=1}^{m}P(B|A_i)P(A_i)$$

2. 贝叶斯准则

如果已知P(B|A_i)，要求P(A_i|B)，应用贝叶斯准则得到：
$$P(A_i|B)=\frac{P(B|A_i)P(A_i)}{P(B)}$$

要求解$P(A_i|B)$，只需要知道$P(A_i)$和$P(B|A_i)$。因为对于同一个数据集，P(B)是一个常量，可以不参与计算。

先验概率$P(A_i)$的计算公式如下：
$$P(A_i)=\frac{|D_{A_i}|}{|D|}$$
其中，$|D_{A_i}|$表示数据集D中A_i类样本组成的样本数，|D|表示数据集D的样本数。

如果B是多维属性，那么可以假设$P(B_1|A_i),P(B_2|A_i),...,P(B_n|A_i)$对应的事件是彼此独立的，这些值连乘在一起得到**$P(B|A_i)$ ，具体计算公式如下**：
$$P(B|A_i)=P(B_1|A_i)\ast P(B_2|A_i)\ast \cdot \cdot \cdot \ast P(B_n|A_i)$$

3. 使用条件概率来分类

如果给定某个由$B_1,B_2,\cdot \cdot \cdot ,B_n$属性表示的数据点，那么该数据点来自类别$A_1$的概率是多少？数据点来自类别$A_2$的概率有事多少？可以应用贝叶斯准则得到：
$$P(A_i|B_1,B_2,\cdot \cdot \cdot ,B_n)=\frac{P(B_1,B_2,\cdot \cdot \cdot ,B_n|A_i)P(A_i)}{P(B_1,B_2,\cdot \cdot \cdot ,B_n)}$$
使用这些定义，可以定义贝叶斯分类准则：

• 如果$P(A_1|B_1,B_2,...,B_n)>P(A_2|B_1,B_2,...,B_n)$， 则属于类别A_1
• 如果$P(A_1|B_1,B_2,...,B_n)<=P(A_2|B_1,B_2,...,B_n)$， 则属于类别A_2

使用贝叶斯准测，可以通过已知的三个概率值来计算未知的概率值。

4. 嫁还是不嫁？

通过嫁还是不嫁这个二分类问题，来更加了解朴素贝叶斯。假设由颜值，性格，是否上进这三个属性来决定最终嫁还是不嫁。如果现在有一个男生是：帅 & 性格不好 & 不上进，预测女生嫁还是不嫁该男生呢？

​ 数据集如下：

颜值	性格	是否上进	是否嫁
帅	好	上进	嫁
不帅	好	一般	不嫁
不帅	不好	不上进	不嫁
帅	好	一般	嫁
不帅	好	上进	嫁
帅	不好	一般	不嫁
帅	好	不上进	嫁
不帅	不好	上进	不嫁
帅	不好	上进	嫁
不帅	好	不上进	不嫁

由于朴素贝叶斯公式如下：
$$P(A|B)=\frac{P(B|A)P(A)}{P(B)}$$
换种更清楚的表达如下：

$$P(类别|特征)=\frac{P(特征|类别)P(类别)}{P(特征)}$$

在这个例子中，就是要求$P(嫁|帅,性格不好,不上进)$和$P(不嫁|帅,性格不好,不上进)$这两个概率，选取概率大的来做决策。

通过朴素贝叶斯公式：
$$\begin{gathered} P(嫁|帅,性格不好,不上进)=\frac{P(帅,性格不好,不上进|嫁)P(嫁)}{P(帅,性格不好,不上进)} \\ P(不嫁|帅,性格不好,不上进)=\frac{P(帅,性格不好,不上进|不嫁)P(不嫁)}{P(帅,性格不好,不上进)} \end{gathered}$$
在这两个公式里，因为$P(帅,性格不好,不上进)$都是一样的，所以，想要获取 $P(嫁|帅,性格不好,不上进)$和$P(不嫁|帅,性格不好,不上进)$这两个概率中的最大值，就等价于求$P(帅,性格不好,不上进|嫁)P(嫁)$和$P(帅,性格不好,不上进|不嫁)P(不嫁)$中的最大值。只需计算出**P(帅,性格不好,不上进|嫁)、P(帅,性格不好,不上进|不嫁)、P(嫁)、P(不嫁)**这四个概率，即可求出$P(嫁|帅,性格不好,不上进)$和$P(不嫁|帅,性格不好,不上进)$这个两个概率中最大概率对应的类别。

由于
$$\begin{gathered} P(嫁)=\frac{1}{2} \\ P(不嫁)=\frac{1}{2} \\ \begin{array}{rl}P(帅,性格不好,不上进|嫁)& =P(帅|嫁)\ast P(性格不好|嫁)\ast P(不上进|嫁)\\ & =\frac{4}{5}\ast \frac{1}{5}\ast \frac{1}{5}\\ & =\frac{4}{125}\end{array} \\ \begin{array}{rl}P(帅,性格不好,不上进|不嫁)& =P(帅|不嫁)\ast P(性格不好|不嫁)\ast P(不上进|不嫁)\\ & =\frac{1}{5}\ast \frac{3}{5}\ast \frac{2}{5}\\ & =\frac{6}{125}\end{array} \end{gathered}$$
则有
$$\begin{gathered} \begin{array}{rl}P(帅,性格不好,不上进|嫁)P(嫁)& =\frac{4}{125}\ast \frac{1}{2}\\ & =\frac{2}{125}\end{array} \\ \begin{array}{rl}P(帅,性格不好,不上进|不嫁)P(不嫁)& =\frac{6}{125}\ast \frac{1}{2}\\ & =\frac{3}{125}\end{array} \end{gathered}$$
由于
$$P(帅,性格不好,不上进|嫁)P(嫁)<P(帅,性格不好,不上进|不嫁)P(不嫁)$$
所以， 根据朴素贝叶斯算法可以给这个女生答案，是不嫁

5. 朴素贝叶斯种类

在sklearn中，朴素贝叶斯种类有三种，分别是GaussianNB、MultinomialNB和BernoulliNB。

5.1 高斯朴素贝叶斯(GaussianNB)

GaussianNB是先验为高斯分布（正态分布）的朴素贝叶斯，假设每个标签的数据都服从高斯分布（正态分布）。正态分布的概率密度函数计算公式如下：
$$P(X_i=x_i|Y=C_k)=\frac{1}{\sqrt{2\pi {\sigma }_k^2}}{e}^{-\frac{(x_i-{\mu }_k{)}^2}{2{\sigma }_k{}^2}}$$
其中，$C_k$为Y的第k类类别。${\mu }_k$和${\sigma }_k{}^2$为第k类样本在第i个属性上的取值的均值和方差。

sklearn中的GaussianNB实现

下面采用sklearn中的鸾尾花数据集，由于数据集都是连续属性，所以采用GaussianNB来进行实现，看下预测情况。

# 导入包
from sklearn.naive_bayes import GaussianNB  # 高斯分布，假定特征服从正态分布的
from sklearn.model_selection import train_test_split # 数据集划分
from sklearn.metrics import accuracy_score

# 导入数据集
from sklearn import datasets
iris = datasets.load_iris()

# 拆分数据集,random_state:随机数种子
train_x,test_x,train_y,test_y = train_test_split(iris.data,iris.target,random_state=12) 

# 建模
gnb_clf = GaussianNB()
gnb_clf.fit(train_x,train_y)

# 对测试集进行预测
# predict()：直接给出预测的类别
# predict_proba()：输出的是每个样本属于某种类别的概率
predict_class = gnb_clf.predict(test_x)
# predict_class_proba = gnb_clf.predict_proba(test_x)
print("测试集准确率为：",accuracy_score(test_y,predict_class))

运行结果如下

测试集准确率为： 0.9736842105263158

可以看到，测试集准确率97%，准确率挺高。

5.2 多项式朴素贝叶斯(MultinomialNB)

多项式朴素贝叶斯是先验为多项式分布的朴素贝叶斯。 它假设特征是由一个简单多项式分布生成的。多项分布可以描述各种类型样本出现次数的概率，因此多项式朴素贝叶斯非常适合用于描述出现次数的特征。该模型常用于文本分类，特征表示的是次数，例如某个词语的出现次数。

多项式分布

多项式分布来源于统计学中的多项式实验，这种实验可以解释为：实验包括n次重复试验，每次试验都有不同的可能结果。在任何给定的试验中，特定结果发生的概率是不变的。

多项式分布公式：
$$P(X=x_i|Y=c)=\frac{|D_{c,x_i}|+\lambda }{|D_c|+\lambda N_i}$$
其中，$P(X=x_i|Y=c)$表示c类别下第i个属性上取值为$x_i$的条件概率。$|D_{c,x_i}|$是c类别下第i个属性上取值为$x_i$的样本数，$|D_c|$是c类的样本数。$N_i$表示第i个属性可能的取值数。λ被称为平滑系数，令λ>0来防止训练数据中出现过的一些词汇没有出现在测试集中导致的0概率。如果λ=1，则这个平滑叫做拉普拉斯平滑，λ<1，叫做利德斯通平滑。

sklearn中的MultinomialNB实现

多项式所涉及的特征往往是次数，频率，计数这样的概念，这些概念都是离散的正整数，因此，sklearn中的MultinomialNB不接受负值的输入。

MultinomialNB包含如下的参数和属性：

class sklearn.naive_bayes.MultinomialNB (alpha=1.0,fit_prior=True, class_prior=None)

其中

• alpha : 浮点数, 可不填 【默认为1.0】

平滑系数λ，如果为0，则表示完全没有平滑选项。需注意，平滑相当于人为给概率加上一些噪音，因此λ设置得越大，精确性会越低（虽然影响不是非常大）

• fit_prior : 布尔值, 可不填【默认为True】

  是否学习先验概率P(Y=c)。如果为False，则所有的样本类别输出都有相同的类别先验概率。即认为每个标签类出现的概率是1/总类别数

• class_prior：形似数组的结构，结构为(n_classes，)，可不填【默认为None】
  表示类的先验概率P(Y=c)。如果没有给出具体的先验概率则自动根据数据来进行计算。

  总结如下：

fit_prior	class_prior	最终先验概率
False	填或不填都没有意义	$P(Y=c_k)=1/k$
True	不填	$P(Y=c_k)=m_k/m$
True	填	$P(Y=c_k)=$class_prior

其中，k为总类别数，m为训练集样本总数量，$m_k$为输出为第k个类别的训练集样本数。

实例

建一个简单多项式朴素贝叶斯（让所有的参数保持默认）的例子。

# 导⼊入需要的模块和库
from sklearn.naive_bayes import MultinomialNB
import numpy as np
# 建立数据集
X = np.random.randint(5, size=(6, 100))
y = np.array([1, 2, 3, 4, 5, 6])
# 建立一个多项式朴素贝叶斯分类器
mnb = MultinomialNB(alpha=1.0, fit_prior=True, class_prior=None)
mnb.fit(X, y)
# 由于概率永远是在[0,1]之间，mnb给出的是对数先验概率，因此返回的永远是负值
# 类先验概率=各类的个数/类的总个数
print("类先验概率：", np.exp(mnb.class_log_prior_))

# 返回一个固定标签类别下的每个特征的对数概率log(P(Xi | y))
# print("每个特征的对数概率:",mnb.feature_log_prob_)
# '''重要属性：在fit时每个标签类别下包含的样本数。
# 当fit接口中的sample_weight被设置时，
# 该接口返回的值也会受到加权的影响'''
print("每个标签类别下包含的样本数:",mnb.class_count_)
print("预测的分类：", mnb.predict([X[2]]))  # 输出3

运行结果如下：

5.3 伯努利朴素贝叶斯(BernoulliNB)

BernoulliNB就是先验为伯努利分布的朴素贝叶斯。假设特征的先验概率为二元伯努利分布，在文本分类中 ，就是一个特征有没有在一个文档中出现。

伯努利分布公式如下：
$$P(X=x_i|Y=c)=P(x_i=1|Y=c)x_i+P(x_i=0|Y=c)x_i$$
此时，$x_i$只能取0和1。

由于$x_i=0$，所以上式可变为
$$\begin{array}{rl}P(X=x_i|Y=c)& =P(x_i=1|Y=c)\ast 1\\ & =\frac{|D_{c,x_i=1}|+\lambda }{|D_c|+\lambda \times 2}\end{array}$$
$|D_{c,x_i=1}|$是c类别下第i个属性上取值为1的样本数，$|D_c|$是c类的样本数。$2$表示第i个属性可能的取值数，这里只有0和1两种取值，所以是2。

sklearn中的BernoulliNB实现

类BernoulliNB包含如下的参数和属性：

class sklearn.naive_bayes.BernoulliNB (alpha=1.0, binarize=0.0,fit_prior=True, class_prior=None)

其中

binarize：将数据特征二值化的阈值，大于binarize的值处理为1 ，小于等于binarize的值处理为0；

其他参数说明见5.2中多项式的参数说明；

实例

先来建一个简单伯努利朴素贝叶斯的例子。

import numpy as np
from sklearn.naive_bayes import BernoulliNB  # 伯努利朴素贝叶斯
x = np.array([[1, 2, 3, 4], [1, 3, 4, 4], [2, 4, 5, 5]])
y = np.array([1, 1, 2])
bnb = BernoulliNB(alpha=2.0, binarize=3.0, fit_prior=True)
bnb.fit(x, y)
print("预测结果：\n",bnb.predict(np.array([[1, 2, 3, 4]])))  # 输出1

打印相关属性语句如下：

# class_log_prior_：类先验概率对数值
print("类先验概率对数值：",bnb.class_log_prior_)
# 类先验概率=各类的个数/类的总个数
print("类先验概率：",np.exp(bnb.class_log_prior_))

# feature_log_prob_：指定类的各特征概率(条件概率)对数值
print("指定类的各特征概率(条件概率)对数值:\n",bnb.feature_log_prob_)
print("指定类的各特征概率(条件概率):\n", np.exp(bnb.feature_log_prob_))

# 用伯努利分布公式计算,结果与上面的一样
p_A_c1 = [(0 + 2) / (2 + 2 * 2) * 1,
          (0 + 2) / (2 + 2 * 2) * 1,
          (1 + 2) / (2 + 2 * 2) * 1,
          (2 + 2) / (2 + 2 * 2) * 1]
#          A   λ     B   λ
# 上面A列表示：类别1中1的个数
# 上面B列表示：类别1中样本数
p_A_c2 = [(0 + 2) / (1 + 2 * 2) * 1,
          (1 + 2) / (1 + 2 * 2) * 1,
          (1 + 2) / (1 + 2 * 2) * 1,
          (1 + 2) / (1 + 2 * 2) * 1]

feature_prob = [p_A_c1,p_A_c2]
print("公式计算得到的指定类的各特征概率：\n",np.array(feature_prob))

# class_count_:按类别顺序输出其对应的样本数
print("各类别的样本数:\n",bnb.class_count_)

# feature_count_:各类别各特征值之和，按类的顺序输出
print("各类别各特征值之和:\n",bnb.feature_count_)

运行结果如下

小结

• 如果样本特征的分布大部分是连续值(如人的身高，体重等)，建议使用GaussianNB会比较好;

• 如果样本特征的分布大部分是多元离散值(如在文档分类中特征是单词出现次数)，建议使用MultinomialNB比较好;

• 如果样本特征是二元离散值(如在文档分类中特征是单词是否出现) ，建议使用BernoulliNB比较好。

朴素贝叶斯算法优缺点

优点： 在属性相关性较小时效果较好，可以处理多类别问题；算法逻辑简单,易于实现 ；

缺点： 在属性个数比较多或者属性之间相关性较大时，分类效果不好；

如果本文对你有帮助，记得“点赞”哦~