朴素贝叶斯算法原理、代码实现原理、以及鸢尾花分类代码实现（详细代码原理讲解）

朴素贝叶斯算法原理及鸢尾花分类代码实现

一、概率模型

1、全概率公式(由因推果)

设事件B₁,B₂,…,B_n构成一个完备事件组,即两两不相容，和为全集且P(B_i)>0,则对任意事件A，有

由因推果的理解：如上图：可以理解为A事件的发生是由$B_1,B_2....B_5$​这些原因导致的,有：$p(A)=p(A{B}_1)+p(A{B}_2)+...+p(A{B}_n)$​，再由条件概率公式即可推导出全概率公式。​

2、贝叶斯公式（由果溯因）

二、在机器学习中的应用(朴素贝叶斯算法)

1、贝叶斯公式在机器学习分类问题中的形式：
$$p(y_i|x)=\frac{p(y_i)p(x|y_i)}{{\sum }_{i=1}^{n}p(y_i)p(x|y_i)}$$
​ 因为朴素贝叶斯假设数据的各个特征之间是彼此独立的：

所以有：$p(x|y_i)=p(x_1|y_i)p(x_2|y_i)p(x_3|y_i)...p(x_n|y_i)$​

故朴素贝叶斯公式为：
$$p(y_i|x)=\frac{p(y_i){\prod }_{j=1}^{n}p(x_j|y_i)}{{\sum }_{i=1}^{n}p(y_i){\prod }_{j=1}^{n}p(x_j|y_i)}$$

​ 当用于分类问题时，$Y_{pred}=argmaxP(y_i|x)$​​​ ,由于$p(y_i|x)$​​​的分母都是相同的，所以只需要求分子的最大值来判断分类结果，即就是: $Y_{pred}=argmaxP(y_i){\prod }_{j=1}^{n}P(x_j|y_i)$​​​​​,注意：在代码中往往将连乘用log函数转换为相加。由此，只需要计算先验概率：$p(y_i)$​​和似然度：$p(x_j|y_i)$​​​​。

三、3种常见的朴素贝叶斯模型（三种计算先验概率和似然度的方法）

1、高斯分布模型

适用：数据集的特征时连续型数据时
$$\begin{gathered} 先验概率:p(y_i)=\frac{N_{y_i}}{N} \\ 后验概率：p(x_j|y_i)=\frac{1}{\delta \sqrt{2\pi }}{e}^{-\frac{(x_j-y_i)}{2{\delta }_j^2}} \end{gathered}$$
其中$N_{y_i}$是训练样本中类别为$y_i$的样本的个数，N为训练样本的总个数。

2、多项式模型

适用：数据集的特征为离散型
$$\begin{gathered} 先验概率：p(y_i)=\frac{N_{y_i}+\alpha }{N+k\alpha } \\ 后验概率：p(x_j|y_i)=\frac{N_{y_i,x_j}+\alpha }{N_{y_j}+n\alpha } \\ 注：其中\alpha 是平滑因子，防止后验概率为0，N_{y_i,x_j}是类别为y_i的样本中，第j维度的特征为x_j \end{gathered}$$

3、伯努利模型

**使用：数据集的特征为bool类型，即特征的值只能取0或者1
$$\begin{gathered} 当x_j=1时：p(x_j|y_i)=p(x_j=1|y_i) \\ 当x_j=0时：p(x_j|y_i)=p(x_j=0|y_i) \end{gathered}$$

鸢尾花分类代码实现

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
iris = datasets.load_iris()
X = iris.data
Y = iris.target
# 分割训练集和验证集
x_train,x_test,y_train,y_test = train_test_split(X,Y,random_state=4)
print(len(x_train))
print(len(x_test))
print(len(y_train))
print(len(y_test))
# 计算每一类的先验概率，以及每一类中每一种特征的均值和方差
def prior_Mean_Var(x_train,y_train):
    prior_list=[]
    mean = np.array([[0,0,0,0]])
    var = np.array([[0,0,0,0]])
    for kind in range(3):
        x_class = x_train[np.nonzero(kind==y_train)]
        prior_list.append(len(x_class)/len(x_train))
        m = np.mean(x_class,axis=0,keepdims=True)
        mean = np.append(mean,m,axis=0)
        v = np.var(x_class,axis=0,keepdims=True)
        var = np.append(var,v,axis=0)
    return prior_list,mean[1:],var[1:]

# 对样本进行分类
def predict(x_test,y_test,prior,mean,var):
#     防止分母为0
    _class = []
    eps = 1e-10  
    for i in x_test:
        x = np.tile(i,(3,1))
        p = (np.exp(-(x-mean)**2/(2*var+eps)))/(np.sqrt(2*np.pi)*var+eps)
        # 每个类别对应的后验概率，p(x/yi)
        p_after = np.sum(np.log(p),axis=1) 
        p_class = np.log(prior)+p_after
        _class.append(np.argmax(p_class))
    return _class
prior,mean,var=prior_Mean_Var(x_train,y_train)
y_pred = predict(x_test,y_test,prior,mean,var)

# 计算模型的准确率：
count=0
for i in range(len(y_test)):
    if(y_pred[i]==y_test[i]):
        count=count+1
accuracy = count/len(y_test)
print('accuracy: {:.2%}'.format(accuracy))

输出准确率：