朴素贝叶斯（Naive Bayes）(原理+Python实现)

创作背景

本菜鸡最近想学学 机器学习，这不，学到了 朴素贝叶斯。
如果觉得我这篇文章写的好的话，能不能给我 点个赞 ，评论 一波。如果要点个 关注 的话也不是不可以🤗

算法分类

对于 分类算法 来说，一般可分为 生成类算法 和 判别类算法 。

生成类算法

通俗来讲，这类算法是在给定数据为 各个特征某一取值 的情况下，求出 属于标签某种取值 的概率，这类算法的典型是 朴素贝叶斯。

判别类算法

通俗来讲，这类算法是 给定一些特征值，按照 各特征对标签值的影响程度，判断属于哪一类数据，这类算法的典型是 决策树。下一篇文章会讲到。

区别

生成类算法 注重 特征值组合对标签值的影响；而 判别类算法 注重 单个特征对标签值的影响 。

知识补充

假设有两个事件 A 和 B ，出现的概率分别为 P(A) 和 P(B) ，两个事件同时出现 的概率为 $P(A,B)$。那么，在事件 A 发生的条件下，事件 B 发生的概率可以表示为 P(B|A) ，计算公式为
$$P(B|A)=\frac{P(A,B)}{P(A)}=\frac{P(A|B)\cdot P(B)}{P(A)}$$
一般来说

• P(B|A) ≠ P(A) ，也就是 A 和 B 不是相互独立的，事件 B 的发生对事件 A 的发生 有影响。
  • 如果 P(B|A) > P(A)， 说明事件 B 的发生对事件 A 的发生有 促进 作用。
  • 反之，有 抑制 作用。
• 如果 二者相等 ，则说明事件 B 的发生对事件 A 的发生 没有影响 。

朴素贝叶斯算法

朴素贝叶斯 中我们认为 特征之间 是 相互独立 的，目的是在 各个特征值组合 的条件下，预测 标签各值 出现的概率。

假设数据集 T = { ( x 1 , y 1 ) , ( x 2 , y 2 ) … ( x n , y n ) } T=\{(x_1, y_1), (x_2, y_2) \dots (x_n, y_n)\} T={(x1​,y1​),(x2​,y2​)…(xn​,yn​)} 由 P(X, Y) 独立同分布 产生，其中 X 和 Y 是两个特征，则

• 先验概率 ：某个特征各种取值的概率，eg: $P(Y=c_k),k=1,2,\dots ,K$ 。
• 条件概率 ：在 特征 Y 取值为 $c_k$ 的条件下， 特征 X 取值为 x 的概率，表示为 P(X=x|Y=c_k) ，计算公式如下：

$$P(X=x|Y=c_k)=P(X_1=x_1,X_2=x_2,\dots ,X_n=x_n|Y=c_k),k=1,2,\dots ,K$$

在 条件独立性 假设下，可以合为
$$P(X=x|Y=c_k)=\prod _{j=1}^{n}P(X_j=x_j|Y=c_k)$$ 。

• 后验概率 ：与先验概率相反，指的是 特征 X 取值为 x 的条件下，特征 Y 取值为 $c_k$ 的概率，表示为 P(Y=c_k|X=x) ，计算公式如下：

$$\begin{gathered} P(Y=c_k|X=x)=\frac{P(X=x,Y=c_k)}{P(X=x)}=\frac{P(Y=c_k)\cdot P(X=x|Y=c_k)}{P(X=x)} \\ =\frac{P(Y=c_k)\cdot \prod _{j=1}^{n}P(X_j=x_j|Y=c_k)}{\sum _{k}P(Y=c_k)\cdot \prod _{j=1}^{n}P(X_j=x_j|Y=c_k)} \end{gathered}$$

朴素贝叶斯 最后求得就是 每个标签值 的 后验概率，将结果预测为 后验概率最大 的标签值。

举个栗子

假如我们有这样一个数据集（自己造的），如 下表：

序号	x1	x2	y
1	小	少	0
2	小	中	0
3	小	中	1
4	小	少	1
5	小	少	0
6	中	少	0
7	中	中	0
8	中	中	1
9	中	多	1
10	中	多	1
11	大	多	1
12	大	中	1
13	大	中	1
14	大	多	1
15	大	多	0

其中，

• 特征 x₁ 表示 年龄 ，有三种取值，分别为 { 小 , 中 , 大 } \{小, 中, 大\} {小,中,大}。
• 特征 x₂ 表示 收入 ，有三种取值，分别为 { 少 , 中 , 多 } \{少, 中, 多\} {少,中,多}。
• 标签 y 表示 被诈骗过 ，有两种取值，分别为 { 0 , 1 } \{0, 1\} {0,1}。

如果有一个人 年龄中等，收入少，那他 是否被诈骗过 ？

这就需要用到 贝叶斯 来判断。

求解思路

1. 分别求出 被诈骗过 和 没有被诈骗过 的人数占所有人数的 概率 ，即 $P(Y=1)$ 和 $P(Y=0)$ 。
2. 求出 年龄中等 和 收入少 的数据分别占 被诈骗过 和 没有被诈骗过 的数据的 概率 ，即 $P(x_1=中|Y=0),P(x_1=中|Y=1)$ 和 $P(x_2=少|Y=0),P(x_2=少|Y=1)$。
3. 求出以 年龄中等 和 收入少 为前提的情况下，这个人 被诈骗过 和 没被诈骗过 的概率，以 概率高的 作为最后分类结果。

求解过程（数学计算）

先验概率
$$\begin{gathered} P(Y=1)=\frac{9}{15},P(Y=0)=\frac{6}{15} \\ P(x_1=中)=\frac{5}{15},P(x_2=少)=\frac{4}{15} \\ P(x_1=中,x_2=少)=P(x_1=中)\times P(x_2=少)=\frac{4}{45} \end{gathered}$$
条件概率（假设 特征之间相互独立）
$$\begin{gathered} P(x_1=中|Y=0)=\frac{2}{6},P(x_1=中|Y=1)=\frac{3}{9} \\ P(x_2=少|Y=0)=\frac{3}{6},P(x_2=少|Y=1)=\frac{1}{9} \\ P(x_1=中,x_2=少|Y=0)=P(x_1=中|Y=0)\times P(x_2=少|Y=0)=\frac{1}{6} \\ P(x_1=中,x_2=少|Y=1)=P(x_1=中|Y=1)\times P(x_2=少|Y=1)=\frac{1}{27} \end{gathered}$$
后验概率
$$\begin{gathered} P(Y=0|x_1=中,x_2=少)=\frac{P(x_1=中,x_2=少|Y=0)\times P(Y=0)}{P(x_1=中,x_2=少)}=\frac{\frac{1}{6}\times \frac{6}{15}}{\frac{4}{45}}=\frac{3}{4} \\ P(Y=1|x_1=中,x_2=少)=\frac{P(x_1=中,x_2=少|Y=1)\times P(Y=1)}{P(x_1=中,x_2=少)}=\frac{\frac{1}{27}\times \frac{9}{15}}{\frac{4}{45}}=\frac{1}{4} \end{gathered}$$

$$\begin{gathered} \because P(Y=0|x_1=中,x_2=少)>P(Y=1|x_1=中,x_2=少) \\ \therefore 这个人很大概率没有被骗过。 \end{gathered}$$

代码实现

自己实现

from collections import Iterable

class NaiveBayes:
    
    def __init__(self):
        # 先验概率
        self.pri = pd.DataFrame()
        # 条件概率
        self.cond = pd.DataFrame()
        # 标签列，默认为最后一列
        self.y_col = ''
        # 特征列名列表
        self.featrues = []
    
    def get_frequency(self, data, name=None, key=None):
        # 获得频率
        freq = data.value_counts(normalize=True)
        # 设置返回的 dataframe 的列名和索引
        name = freq.name if name is None else name
        key = freq.name if key is None else key
        
        freq = freq.to_frame(name=name)
        
        freq.index = pd.MultiIndex.from_product([[key], freq.index.tolist()])
        
        return freq
    
    def get_priori(self, data):
        # 初始化结果
        result = pd.DataFrame()
        # 遍历特征列
        for column in data.columns:
            # 获得频率
            p = self.get_frequency(data[column], 'value')
            # 保存结果
            result = result.append(p)
        # 返回先验概率
        return result
    
    def get_conditional(self, data):
        # 初始化结果
        result = None
        # 以标签列分类
        for cate, cate_index in data.groupby(self.y_col).groups.items():
            # 每个标签取值对应的数据
            x = data.loc[cate_index, self.featrues]
            # 初始化标签取值对应各特征取值频次，即 P(X=x|Y=y)
            cate_df = None
            # 遍历特征列
            for column in self.featrues:
                # 获得对应频次
                freq = self.get_frequency(x[column], name=cate, key=column)
                # 如果为 None，初始化
                if cate_df is None:
                    cate_df = freq
                # 否则，拼接结果
                else:
                    cate_df = pd.concat([cate_df, freq])
                    
            # 逻辑同上
            if result is None:
                result = cate_df
            else:
                result = pd.concat([result, cate_df], axis=1)
        # 返回条件概率
        return result
    
    def train(self, data, y_col='y'):
        
        if y_col not in data.columns:
            print(f'Column of y named {y_col} not in data. It will go by column {data.columns[-1]}')
            y_col = data.columns[-1]
        # 设置标签列列名
        self.y_col = y_col
        # 获得特征列名列表
        self.featrues = data.columns.tolist()
        self.featrues.remove(y_col)
        # 先验概率
        self.pri = self.get_priori(data)
        # 条件概率
        self.cond = self.get_conditional(data)
        
        return 
    
    def forward(self, pred_dict):
        # 预测结果，每一列，列名为标签各取值，值为各标签值在指定条件下的概率
        result = None
        # 遍历要预测的特征值字典，获得各标签值概率中 ΠP(X=x)
        for key, value in pred_dict.items():
            # 如果特征及值不存在，报错
            if (key, value) not in self.cond.index:
                raise ValueError(f'The key or value of input data not exists.')
            # 逻辑类似于 self.get_conditional
            if result is None:
                result = self.cond.loc[(key, value)].to_frame().T
            else:
                result *= self.cond.loc[(key, value)]
        # 每列乘上 P(Y=y)
        result = result.apply(lambda x: x * self.pri.loc[(self.y_col, x.name)].values[0])
        
        result /= result.sum(axis=1).values[0]
        
        return result.iloc[0]
    
    def predict(self, item):
        # 判断输入的用于预测的数据是否可迭代
        # 是的话就预测，不是的话就报错
        if isinstance(item, Iterable):
            # 输入特征值个数不对，报错
            if len(item) != len(self.featrues):
                raise ValueError(f'The number of input value is [{len(item)}], '
                                 f'which is not equal to the number of featrue [{len(self.featrues)}].')
            # 初始化特征值字典
            pred_dict = {}
            # 如果输入数据为字典，直接覆盖
            if isinstance(item, dict):
                
                pred_dict = item
            # 否则默认按照列名顺序传值
            else:
                
                for i, v in enumerate(item):
                    
                    if isinstance(i, dict):
                        pred_dict.update(v)
                    else:
                        pred_dict[self.featrues[i]] = v
            # 返回预测结果 
            return self.forward(pred_dict).idxmax()
        
        else:
            raise TypeError(f'The type of input data [{type(item)}] is not iterable.')

测试一下（data 如 上表）：

Input[]:	model = NaiveBayes()
    		model.train(data)
            x_pred = {'x1': '中', 'x2': '少'}
            prediction = model.predict(x_pred)
            print(f'Value: {", ".join([f"{key}: {value}" for key, value in x_pred.items()])}. Prediction: {prediction}')

-------------------------------------------------------------------

Output[]:	Value: x1: 中, x2: 少. Prediction: 0

预测结果正确！！！

使用 sklearn

Input[]:	import numpy as np
            from sklearn import preprocessing
            from sklearn.naive_bayes import GaussianNB

            encoders = {}
            for column in train_data:
                if train_data[column].dtype == object:
                    encoders[column] = preprocessing.LabelEncoder()
                    train_data[column] = encoders[column].fit_transform(train_data[column])

            model = GaussianNB()
            model.fit(train_data[train_data.columns[:-1]], train_data['y'])
            model.predict(np.array([encoders[key].transform([value])[0] for key, value in x_pred.items()]).reshape(1, -1))
            
-------------------------------------------------------------------

Output[]:	array([0], dtype=int64)

其中，train_data 如 上表。

---

---

---

结尾

上边的例子就是使用 朴素贝叶斯 算法进行 分类。

有想要一起学习 python 的小伙伴可以 私信我 进群哦。

以上就是我要分享的内容，因为学识尚浅，会有不足，还请各位大佬指正。
有什么问题也可在评论区留言。