同样,类似于[贝叶斯四]之贝叶斯分类器设计,我们用一个例子:字母分类,来阐述朴素贝叶斯分类器的设计。
老套路,搞个三部曲:
- 特征向量生成
- 决策函数设计
- 模型训练
在做问题分析之前,请先做数据集的分析。
一、数据集分析
数据集来自于UCI: UCI字母分类数据集链接
这个数据集原始数据一共包含20000张图像(一般取前16000张图像作为训练,后4000张图像作为测试),每张图像经过作者处理后得到了一个16维的特征(特征值是一个0-15的整数),标签就是所代表的字母A-Z。数据形式如下:
1. lettr capital letter (26 values from A to Z)
2. x-box horizontal position of box (integer)
3. y-box vertical position of box (integer)
4. width width of box (integer)
5. high height of box (integer)
6. onpix total # on pixels (integer)
7. x-bar mean x of on pixels in box (integer)
8. y-bar mean y of on pixels in box (integer)
9. x2bar mean x variance (integer)
10. y2bar mean y variance (integer)
11. xybar mean x y correlation (integer)
12. x2ybr mean of x * x * y (integer)
13. xy2br mean of x * y * y (integer)
14. x-ege mean edge count left to right (integer)
15. xegvy correlation of x-ege with y (integer)
16. y-ege mean edge count bottom to top (integer)
17. yegvx correlation of y-ege with x (integer)
其中20000张图像的分布如下:
1. 789 A 766 B 736 C 805 D 768 E 775 F 773 G
2. 734 H 755 I 747 J 739 K 761 L 792 M 783 N
3. 753 O 803 P 783 Q 758 R 748 S 796 T 813 U
4. 764 V 752 W 787 X 786 Y 734 Z
整理一下这个数据集。
- 一个文件。共20000条数据,我们将前16000条数据作为训练数据,后4000条数据作为测试数据。
- 数据格式。16维的特征向量,一个A-Z的label
二、特征向量生成
由上述的数据集的描述中我们可以知道,字母数据集已经帮我们做好了特征向量提取(16维数据)的工作。数据形式如下所示。
由此我们只需要经过简单的处理就能得到我们想要的数据。
- Image数据。上图所示每行16维向量,每个特征值取值为0-15的整数。形式为16*N。
- Label。上图中每行第1列,A-Z。
Step1:数据读入(loadData.m)
% load data from file, start --start line, end --end line
function [labels, features] = loadData(filename,start,endl)
[data1,data2,data3,data4,data5,data6,data7,data8,data9,data10,data11,data12,data13,data14,data15,data16,data17] = textread(filename, '%c%d%d%d%d%d%d%d%d%d%d%d%d%d%d%d%d','delimiter',',');
labels = data1(start:endl,1);
features = [data2,data3,data4,data5,data6,data7,data8,data9,data10,data11,data12,data13,data14,data15,data16,data17];
features = features(start:endl,:);
%labels = labels.';
features = features.' + 1;
% 注意:这里的下标是0~15
end
三、决策函数分析
这里我们也使用最小错分准则来设计贝叶斯分类器。所以,我们的目的是求解后验概率 p(wi|x) p ( w i | x ) .
3.1 决策函数
由[贝叶斯五]之朴素贝叶斯分析可以知道。
朴素贝叶斯的目标函数如下所示。
对于字母数据集的训练数据集来说:
- 类别 w w 共有26类
- 样本是16维,每个元素的取值是0~15整数
3.2 模型建立
根据训练数据和决策函数,我们需要计算模型的参数(也可以称为训练过程)。决策函数如下。
其中:
p(wi) p ( w i ) 是先验概率,表示每类样本出现的概率。
p(wi)=#类别i的训练样本数量#训练样本总数n(6) (6) p ( w i ) = # 类 别 i 的 训 练 样 本 数 量 # 训 练 样 本 总 数 np(xk|wi) p ( x k | w i ) 是用来统计类别 i i 的条件下,在各种取值下的可能性(概率)。
在模型建立的时候,我们只需要计算上面两个参数即可。
Step2: 训练模型(bc_train.m)
function [model] = bc_train(x, y, J)
[K,N] = size(x); %K为维度,N为样本数
% p(w): 类别 i 出现的概率
py = zeros(J,1);
for i=1:J
py(i,:) = sum(y == i)/N;
end
% p(x_k_i): 样本中第k个元素为i的个数 / 样本总数
pki = zeros(16,16);
for k=1:16
for i=1:16
pki(k,i) = sum(x(k,:) == i)/N;
end
end
% p(x_k_i | j): 第j类样本中第k个元素为i的样本数 / 第j类样本总数
pkij = zeros(16,16,J);
for j=1:J
for k=1:16
xj = x(:,y==j); %属于第j类的样本
for i=1:16
pkij(k,i,j) = sum(xj(k,:)==i)/size(xj,2);
end
end
end
model.pki = pki;
model.py = py;
model.pkij = pkij;
end
3.3 模型测试
决策函数有了,模型有了,那么我们如何来测试一个数据呢?简而言之就是输入样本 x x ,如何得到所属的类别?
针对输入样本 x x ,每个样本的肯定是相同的。根据式子。
我们只需要得到 p(xk|wi) p ( x k | w i ) 即可,因为有输入样本 x x ,所以其实我们是知道的值的,然后加上模型中已经计算出了 p(xk=j|wi) p ( x k = j | w i ) ,由此我们将 xk x k 带入,得到了 p(xk|wi) p ( x k | w i ) 。然后统计出所有类别的最大值 maxi gi(x) m a x i g i ( x ) ,这个类别就是预测得到的类别。
Step3: 测试数据(bc_predict.m)
function [yp] = bc_predict(model,x,J)
[K,N] = size(x);
pki = model.pki;
py = model.py;
pkij = model.pkij;
% p(y_j|i): 样本第i个元素为 x(:,i) 情况下,类别为j的概率
pyji = zeros(J,16,N);
for j=1:J
for i = 1:16
for n=1:N
pyji(j,i,n) = pkij(i,x(i,n),j) * py(j) / pki(i,x(i,n));
end
end
end
result = prod(pyji,2);
yp = zeros(N,1);
for i=1:N
[m,yp(i,:)] = max(result(:,:,i));
end
Step4: 主程序(runChar.m)
clear
clc
%% Step1: read data
[train_labels,train_char] = loadData('./char/letter-recognition.data.txt',1,16000);
[test_labels,test_char] = loadData('./char/letter-recognition.data.txt',16001,20000);
%% Step2: train model
train_labels = train_labels - 'A' + 1;
model = bc_train(train_char, train_labels, 26);
%% Step3: predict
test_labels = test_labels - 'A' + 1;
yp = bc_predict(model,test_char,26);
accuary_test = sum(yp == test_labels) / length(test_labels);
最终得到的测试精度是: 72.9%
读者可以在特征向量生成的时候做点文章以此来提高精度,具体的可以查看我们写的特征生成部分,比如PCA等等。
四、参考文献
[1] UCI Machine Learning Repository: Letter Recognition Data Set. 下载链接
[2] Using the MNIST Dataset. 下载链接
[3] 周志华. 《机器学习》[M]. 清华大学出版社, 2016.
[4] 李航. 《统计学习方法》[M].清华大学出版社,2013.
[5] 机器学习之贝叶斯分类器
[6] 机器学习通俗入门-朴素贝叶斯分类器
PS: 如需数据和代码请上faiculty留言
<个人网页blog已经上线,一大波干货即将来袭:https://faiculty.com/>
/* 版权声明:公开学习资源,只供线上学习,不可转载,如需转载请联系本人 .*/