朴素贝叶斯最好的例子与推导

最新推荐文章于 2024-05-23 15:43:21 发布

berkelysong

最新推荐文章于 2024-05-23 15:43:21 发布

阅读量7.8k

点赞数 2

本文链接：https://blog.csdn.net/berkeleysong/article/details/8461162

版权

http://zh.wikipedia.org/wiki/%E6%9C%B4%E7%B4%A0%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%88%86%E7%B1%BB%E5%99%A8

朴素贝叶斯概率模型

理论上，概率模型分类器是一个条件概率模型。

$p(C \vert F_1,\dots,F_n)\,$

独立的类别变量 $C$ 有若干类别，条件依赖于若干特征变量 $F_1$ , $F_2$ ,..., $F_n$ 。但问题在于如果特征数量 $n$ 较大或者每个特征能取大量值时，基于概率模型列出概率表变得不现实。所以我们修改这个模型使之变得可行。贝叶斯定理有以下式子：

$p(C \vert F_1,\dots,F_n) = \frac{p(C) \ p(F_1,\dots,F_n\vert C)}{p(F_1,\dots,F_n)}. \,$

用朴素的语言可以表达为：

$\mbox{posterior} = \frac{\mbox{prior} \times \mbox{likelihood}}{\mbox{evidence}}. \,$

实际中，我们只关心分式中的分子部分，因为分母不依赖于 $C$ 而且特征 $F_i$ 的值是给定的，于是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。

$p(C \vert F_1, \dots, F_n)\,$

重复使用链式法则，可将该式写成条件概率的形式，如下所示：

$p(C \vert F_1, \dots, F_n)\,$

$\varpropto p(C) \ p(F_1,\dots,F_n\vert C)$

$\varpropto p(C) \ p(F_1\vert C) \ p(F_2,\dots,F_n\vert C, F_1)$

$\varpropto p(C) \ p(F_1\vert C) \ p(F_2\vert C, F_1) \ p(F_3,\dots,F_n\vert C, F_1, F_2)$

$\varpropto p(C) \ p(F_1\vert C) \ p(F_2\vert C, F_1) \ p(F_3\vert C, F_1, F_2) \ p(F_4,\dots,F_n\vert C, F_1, F_2, F_3)$

$\varpropto p(C) \ p(F_1\vert C) \ p(F_2\vert C, F_1) \ p(F_3\vert C, F_1, F_2) \ \dots p(F_n\vert C, F_1, F_2, F_3,\dots,F_{n-1}).$

现在“朴素”的条件独立假设开始发挥作用:假设每个特征 $F_i$ 对于其他特征 $F_j$ , $j\neq i$ 是条件独立的。这就意味着

$p(F_i \vert C, F_j) = p(F_i \vert C)\,$

对于 $i\ne j$ ，所以联合分布模型可以表达为

$\begin{align}p(C \vert F_1, \dots, F_n) & \varpropto p(C) \ p(F_1\vert C) \ p(F_2\vert C) \ p(F_3\vert C) \ \cdots\, \\& \varpropto p(C) \prod_{i=1}^n p(F_i \vert C).\,\end{align}$

这意味着上述假设下，类变量 $C$ 的条件分布可以表达为：

$p(C \vert F_1,\dots,F_n) = \frac{1}{Z} p(C) \prod_{i=1}^n p(F_i \vert C)$

其中 $Z$ (证据因子)是一个只依赖与 $F_1,\dots,F_n$ 等的缩放因子，当特征变量的值已知时是一个常数。由于分解成所谓的类先验概率 $p(C)$ 和独立概率分布 $p(F_i\vert C)$ ，上述概率模型的可掌控性得到很大的提高。如果这是一个 $k$ 分类问题，且每个 $p(F_i\vert C=c)$ 可以表达为 $r$ 个参数，于是相应的朴素贝叶斯模型有(k − 1) + n r k个参数。实际应用中，通常取 $k=2$ （二分类问题）， $r=1$ (伯努利分布作为特征），因此模型的参数个数为 $2n+1$ ，其中 $n$ 是二值分类特征的个数。

[编辑]

性别分类

问题描述:通过一些测量的特征，包括身高、体重、脚的尺寸，判定一个人是男性还是女性。

[编辑]训练

训练数据如下：

性别	身高(英尺)	体重(磅)	脚的尺寸(英尺)
男	6	180	12
男	5.92 (5'11")	190	11
男	5.58 (5'7")	170	12
男	5.92 (5'11")	165	10
女	5	100	6
女	5.5 (5'6")	150	8
女	5.42 (5'5")	130	7
女	5.75 (5'9")	150	9

假设训练集样本的特征满足高斯分布，得到下表：

性别	均值(身高)	方差(身高)	均值(体重)	方差(体重)	均值(脚的尺寸)	方差(脚的尺寸)
男性	5.855	3.5033e-02	176.25	1.2292e+02	11.25	9.1667e-01
女性	5.4175	9.7225e-02	132.5	5.5833e+02	7.5	1.6667e+00

我们认为两种类别是等概率的，也就是P(male)= P(female) = 0.5。在没有做辨识的情况下就做这样的假设并不是一个好的点子。但我们通过数据集中两类样本出现的频率来确定P(C)，我们得到的结果也是一样的。

[编辑]测试

以下给出一个待分类是男性还是女性的样本。

性别	身高(英尺)	体重(磅)	脚的尺寸(英尺)
sample	6	130	8

我们希望得到的是男性还是女性哪类的后验概率大。男性的后验概率通过下面式子来求取

$posterior (male) = \frac{P(male) \, p(height | male) \, p(weight | male) \, p(foot size | male)}{evidence}$

女性的后验概率通过下面式子来求取

$posterior (female) = \frac{P(female) \, p(height | female) \, p(weight | female) \, p(foot size | female)}{evidence}$

证据因子（通常是常数）用来是各类的后验概率之和为1.

证据因子是一个常数（在正态分布中通常是正数），所以可以忽略。接下来我们来判定这样样本的性别。

$P(male) = 0.5$

$p(\mbox{height} | \mbox{male}) = \frac{1}{\sqrt{2\pi \sigma^2}}\exp\left(\frac{-(6-\mu)^2}{2\sigma^2}\right) \approx 1.5789$ ,其中 $\mu = 5.855$ ， $\sigma^2 = 3.5033e^{-02}$ 是训练集样本的正态分布参数. 注意，这里的值大于1也是允许的 – 这里是概率密度而不是概率，因为身高是一个连续的变量.

$p(weight | male) = 5.9881e^{-06}$

$p(foot size | male) = 1.3112e^{-3}$

$posterior numerator (male) = 6.1984e^{-09}$

$P(female) = 0.5$

$p(height | female) = 2.2346e^{-1}$

$p(weight | female) = 1.6789e^{-2}$

$p(foot size | female) = 2.8669e^{-1}$

$posterior numerator (female) = 5.3778e^{-04}$

由于女性后验概率的分子比较大，所以我们预计这个样本是女性。

berkelysong

关注

2
点赞
踩
8

收藏

觉得还不错? 一键收藏
1
评论
朴素贝叶斯最好的例子与推导

http://zh.wikipedia.org/wiki/%E6%9C%B4%E7%B4%A0%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%88%86%E7%B1%BB%E5%99%A8朴素贝叶斯概率模型理论上，概率模型分类器是一个条件概率模型。独立的类别变量有若干类别，条件依赖于若干特征变量 ,,...,。但问题在于如果特征数量
复制链接

扫一扫