《统计学习方法》第 4 章“朴素贝叶斯法”学习笔记

最新推荐文章于 2022-03-14 22:23:25 发布

liweiwei1419

最新推荐文章于 2022-03-14 22:23:25 发布

阅读量901

点赞数 1

分类专栏：机器学习文章标签：机器学习

本文链接：https://blog.csdn.net/lw_power/article/details/90293260

版权

机器学习专栏收录该内容

19 篇文章 2 订阅

订阅专栏

“朴素贝叶斯”算法主要内容

概率有向图模型

朴素贝叶斯也是最简单的概率有向图模型。

朴素贝叶斯模型的图模型表示

生成模型与判别模型

朴素贝叶斯方法实际上学习到的是生成数据的机制。

1、关于生成模型和判别模型，我一开始也很迷糊，后来我发现只要记住一点：生成模型首先是概率模型，要计算后验概率，但不是直接计算后验概率，得先通过计算联合概率，然后比较联合概率的大小，间接比较（得到）后验概率的大小。

2、判别模型则直接对条件概率建模，有点判别模型不是概率模型，直接给出分类的方法。

3、典型是判别模型，同样概率模型的有：逻辑回归模型、决策树模型，它们压根没有联合概率什么事，直接计算 $P (Y ∣ X)$ 的。

关于判别模型和生成模型，可以参考李航《统计学习方法》第 12 章统计学习方法总结。

频率学派和贝叶斯学派

频率学派：认为概率是一个常数，是固定值，虽然未知但是是客观的，频率学派重点研究样本的分布。
贝叶斯学派：认为概率是人的主观概念，代表了对事件发生的相信程度，贝叶斯学派重点研究参数的分布。

期望风险最小化

李航《统计学习方法》第 4 章介绍“朴素贝叶斯法”有一节的标题是“后验概率最大化的含义”。这一节指出了：

“后验概率最大化”等价于“期望风险最小化”。

下面我解释一下这一节要表达的意思。“朴素贝叶斯算法”的执行过程是“后验概率最大化”，而机器学习的一般套路是“期望风险最小化”，这一部分揭示了二者的等价性，即“后验概率最大化”就相当于“期望风险最小化”，即“朴素贝叶斯算法”是有效的。

解释“期望风险最小化”

1、风险，可以理解为损失，这里损失函数定义为 0-1 损失函数，即：分对的时候不计损失（记为 $0$ ），分错的时候，才计算损失（记为 $1$ ）。

2、那么如何计算损失呢？可以针对所有训练数据计算损失，最后再除以训练样本总数，这是很自然的。为了理论的推导，我们假设在大量数据的情况下，使用大数定理，等价于对联合概率分布 $P (X, Y)$ 计算期望。

期望可以理解为加权平均，跟上面的所有数据的损失加起来，除以训练数据是一样的。

3、机器学习的一般流程是这样的：定义损失函数，找一个决策函数或者条件概率分布使得损失函数最小的那个决策函数或者条件概率分布就是最好的模型。

如果分对的那个概率特别大，分错的概率之和就会最小。这是李航《统计学习方法》P49 那一连串等式要表达的意思。因此“后验概率最大化”等价于“期望风险最小化”。写出来就是比较文绉绉的。

“后验概率最大化”等价于“期望风险最小化”

手写笔记：

理解这部分的叙述可以看这篇文章《朴素贝叶斯后验概率最大化的含义》。

是一种分类方法

朴素贝叶斯（Naive Bayes）是一种基于概率统计的分类方法。预测的是条件概率，进而用于分类。由条件概率表示的模型为概率模型。

把随机变量 $X$ 看成已知数据， $Y$ 是已知数据 $X$ 的类标，要求的是条件概率 $P (Y ∣ X)$ ，可以利用贝叶斯公式计算。

贝叶斯公式

在本科《概率论与数理统计》的教材上，你会看到下面的公式：

$P(B_i|A) = \frac{P(B_i)P(A|B_i)}{\sum_{j=1}^{n}P(B_j)P(A|B_j)}$
但其实，你要你懂得条件概率与联合概率，用分步乘法原理就能够自己推出贝叶斯公式，上面右边式子中，分母是全概率公式。

从贝叶斯公式中得出先验概率（两个先验概率，其中一个是标准化常量，因为它作为分母）、后验概率、条件概率、似然的定义。

随机变量 $X$ 和 $Y$ 同时发生的概率 $P (X, Y)$ 可以写成：

$P (X, Y) = P (X) P (Y ∣ X)$

也可以写成：

$P (X, Y) = P (Y) P (X ∣ Y)$

把它们合在一起：
$P (X) P (Y ∣ X) = P (Y) P (X ∣ Y)$

于是就有：
$\cfrac{P(Y)P(X|Y)}{P(X)}$

这就是朴素贝叶斯公式，我们利用这个公式计算条件概率（后验概率）。这个公式告诉我们：计算条件概率的时候，已知和结果可以反过来。 $P (Y ∣ X)$ 是一个条件概率，我们称之为后验概率，即知道了一些信息以后认为其属于某一类的概率，后验概率是我们要学习的。

理解贝叶斯公式

$\cfrac{P(Y)P(X|Y)}{P(X)}$

1、 $X$ 是输入，一般而言是一个向量，这个向量的每个分量表示一个特征；

2、公式右边的分母 $P (X)$ 与 $Y$ 无关，可以认为是后验概率的归一化因子，这部分对于所有的数据都是一样的，所以我们可以不用计算它；

3、 $Y$ 是输出，是一个类别变量（标量）， $P (Y)$ 是先验概率，即不知道任何信息的时候，我们对于一个类别变量的概率的估计，如果不是很能理解“先验概率”这个定义，可以参考本科《概率论与数理统计》教材相关章节，即相对于知道了某些信息的后验概率 $P (Y ∣ X)$ ，什么都不知道的时候 $P (Y)$ 就是先验概率；

4、 $P (X ∣ Y)$ 是条件概率，是在类别确定的时候，出现特征 $X$ 的概率，特征的条件独立假设就应用在这里。

特征的条件独立假设

1、我们首先来看为什么会提出“特征的条件独立假设”。

2、一般情况下，一个数据的各个特征是有关系的，例如一个人的身高和体重，但是朴素贝叶斯假设它们是独立的，虽然有悖于我们的认知，但是基于这个假设，在很多问题上都能有很好的效果。

假设一个数据 $X$ 有 $3$ 个特征，即 $X = (x_1,x_2,x_3)^T$ ，那么在类别 $y$ 确定的条件下，数据 $X$ 的各个特征相互独立，用公式写出来就是：
$P(X|y) = P(x_1,x_2,x_3|y) = P(x_1|y) P(x_2|y) P(x_3|y)$

如何用于分类

朴素贝叶斯用于分类就是从训练数据集中，先统计出类别的先验分布 $P (Y)$ 和条件概率分布 $P (X ∣ Y)$ ，然后就可以统计出联合概率分布 $P (X, Y) = P (Y) P (X ∣ Y)$ ，因为分母一样大，仅仅计算出贝叶斯公式分子的部分，然后比较分子的大小就可以了，联合概率大的，后验概率肯定也大。后验概率最大的类作为 $x$ 的输出（即每一个类别的概率都要算一遍，然后取概率最大的）：
$P(Y=c_k|X=x),$
所以，朴素贝叶斯分类器可以表示为：
$\arg \max_{c_k} \frac{P(Y=c_k)\prod_{j}P(X^{(j)}=x^{(j)}|Y=c_k)}{\sum_k P(Y=c_k)\prod_{j}P(X^{(j)}=x^{(j)}|Y=c_k)}$

选择后验概率最大的类作为 $x$ 的输出，即每一个类别的概率都要算一遍，然后取概率最大的类作为输出：

$\arg \max_{c_k} P(Y=c_k)\prod_{j}P(X^{(j)}=x^{(j)}|Y=c_k)$
概率估计的方法可以是极大似然估计（其实就是数数字）或者贝叶斯估计（在数数字的基础上加上了拉普拉斯平滑）。

其实到这里，朴素贝叶斯的基本内容就介绍完了，不过朴素贝叶斯不论是从理论还是在实践中，都还能有很多扩展。

极大似然估计

做概率估计的方法是极大似然估计（其实就是数数字）和贝叶斯估计（在数数字的基础上加上了拉普拉斯平滑）。

理论上在做朴素贝叶斯的时候，先验概率和条件概率就是简单的数数字就可以完成了，这里用样本概率估计总体概率的方法叫做极大似然估计（即我们通过样本得到的概率值，就作为我们先验概率和条件概率的估计值）。

“贝叶斯估计”即比起原来的数数字的方法而言，分子都加上 $1$ ，分母都加上的是这个类别的个数。

实际应用朴素贝叶斯会遇到的问题

具体在工程中，会遇到两个问题：

问题1：计算概率的乘积会使得很多小数连乘，最后得到的数值越来越小。

这是工程上遇到的问题，计算机中很多小数相乘会越来越小，以致于最后的结果不准确。解决方案是：我们通常对概率取对数（以 $e$ 为底，其实只要是大于 $1$ 的数作为底数都是可以的），取对数的好处是：

1、对最终结果没有影响，原来大的数，取对数以后仍然大；

2、取对数以后，连乘变连加。

问题2：有的特征的取值，在某些特定的类别上并不出现，即会出现了概率为 $0$ 的情况。

如果出现了概率为 $0$ 的情况，就要使用贝叶斯估计了：常常取一个 $\lambda=1$ ，在分子分母同时做加法，使得分子分母都不为 $0$ 。这个做法叫拉普拉斯修正（Laplacian correction）。

例如：在“非垃圾邮件中”，不会出现单词“国务院”。这时就要使用贝叶斯估计了：我们常常取 $\lambda=1$ ，在分子分母同时做加法，使得分子分母都不为 $0$ ，并且满足加和为 1。这一步也叫拉普拉斯修正（Laplacian correction）。
1、先验概率的贝叶斯估计
$P_{\lambda} (Y=c_k) = \frac{\sum_{i=1}^{N}I(y_i=c_k)+\lambda}{N+K\lambda}$

数数字，用样本概率估计总体概率的方法叫做极大似然估计，即我们通过样本得到的频率作为概率的估计，下面的“条件概率的贝叶斯估计”也是如此。

2、条件概率的贝叶斯估计
$P_{\lambda} (X^{(j)}=a_{jl}|Y=c_k) = \frac{\sum_{i=1}^{N}I(x_i^{(j)}=a_{jl},y_i=c_k)+\lambda}{\sum_{i=1}^{N} I(y_i=c_k)+S_j\lambda}$

$S_j$ 表示第 $j$ 个特征 unique 以后得到的数，即第 $j$ 个特征的不同取值的个数。满足非负性和归一性，因此是概率分布。二者的形式非常像。比起原来的数数字的方法而言，分子都加上 $1$ ，分母都加上的是这个类别的个数（去掉了重复），可以看看《统计学习方法》 P52 例 2，一下子就看懂了。因为分母对所有的 $c_k$ 都是相同的，所以，只看分子就好了。

伯努利贝叶斯、高斯朴素贝叶斯、多项式朴素贝叶斯

在 scikit-learn 中，一共有 3 个朴素贝叶斯的分类算法类。分别是 GaussianNB，MultinomialNB 和 BernoulliNB。

1、 GaussianNB 就是先验为高斯分布的朴素贝叶斯；

高斯朴素贝叶斯（Gaussian naive Bayes）：假设每个标签的数据都服从简单的高斯分布。

数值型特征的处理：假设这个连续性特征呈现出高斯分布，先计算均值和标准差，然后代入公式计算得到条件概率，作为这个类别前提下特征的条件概率的估计值。

下面是一个例子，使用高斯贝叶斯对鸢尾花数据进行分类。

2、MultinomialNB 就是先验为多项式分布的朴素贝叶斯；

多项式分布是指满足类别分布的实验，连续做 $n$ 次以后，每种类别出现的特定次数组合的概率分布情况。

多项式朴素贝叶斯（Multinomial naive Bayes）：假设特征是由一个简单的多项式分布生成的。在词频统计这件事情上，使用多项式分布作为概率估计是合理的。

scikit-learn 官方文档多项式贝叶斯部分：
http://scikit-learn.org/stable/modules/generated/sklearn.naive_bayes.MultinomialNB.html。

说明：我开始学习时候，不明白多项式分布是如何作用在朴素贝叶斯算法上的，后来看了 scikit-learn 的文档以后才明白，原来公式和李航书上介绍的是一样的。并且文档指出了：多项式朴素贝叶斯分类器适用于具有离散特征的分类（例如用于文本分类的字数）。多项分布通常需要整数特征计数。然而在实践中，诸如 TF-IDF 的分数计数也可以起作用。

参数 alpha 表示平滑参数，其值越小，越容易过拟合，值太大容易造成欠拟合。

3、 BernoulliNB 就是先验为伯努利分布的朴素贝叶斯。

TF（Term Frequency）

用于衡量一个词在一个文档中的出现频率。因为每个文档的长度的差别可以很大，因而一个词在某个文档中出现的次数可能远远大于另一个文档，所以词频通常就是一个词出现的次数除以文档的总长度，相当于是做了一次归一化。
$\cfrac{词 \; term \; 在文档中出现的总次数}{这一篇文档的 \; term \; 总数}$

IDF（逆向文档频率）

用于衡量一个词（term）的重要性。计算词频 TF 的时候，所有的词语都被当做一样重要的，但是某些词，比如 is、 of、 that 很可能在很多文档中都出现过，它们不是关键字，因此我们需要减轻在多个文档中都频繁出现的词的权重。

$\log \cfrac{总文档数}{词 \; term \; 出现的文档数}$

上面两个乘起来，就是 TF-IDF 。

$TF \times IDF$

TfidfVectorizer 把 CountVectorizer 与 TfidfTransformer 合并起来，直接生成 tfidf 值。

TfidfVectorizer 的关键参数：


`max_df`	这个给定特征可以应用在 `tf-idf` 矩阵中，用以描述单词在文档中的最高出现率。假设一个词（term）在 $80\%$ 的文档中都出现过了，那它也许（在剧情简介的语境里）只携带非常少信息。
`min_df`	可以是一个整数（例如 $5$ ），意味着单词必须在 $5$ 个以上的文档中出现才会被纳入考虑。可以设置为 $0.2$ ；即单词至少在 $20\%$ 的文档中出现。
`ngram_range`	这个参数将用来观察一元模型（`unigrams`），二元模型（ `bigrams`）和三元模型（`trigrams`）。参考 $n$ 元模型 (`n-grams`）。