用朴素贝叶斯分类器判断西瓜好坏

一、朴素贝叶斯分类器原理回顾

朴素贝叶斯分类器基于贝叶斯定理，其核心公式为：

其中，P(A∣B)是在事件B发生的条件下事件A发生的后验概率；P(B∣A)是似然概率，即事件A发生时事件B发生的概率；P(A)是事件A发生的先验概率；P(B)是事件B发生的概率。

在朴素贝叶斯分类器中，有一个关键的假设 —— 特征条件独立假设，即假设各个特征之间相互独立。在西瓜好坏判断这个场景下，就是假设西瓜的色泽、根蒂、敲声等特征之间互不影响。基于这个假设，对于一个样本x=(x1​,x2​,⋯,xn​)，其属于类别y的后验概率可表示为：

实际应用中，因为P(x)对于所有类别相同，所以我们只需比较分子的大小，就能确定样本所属类别。

二、数据集介绍

我们手头有一份西瓜数据集（参考第一张图片内容），它包含了西瓜的多个特征信息，如色泽、根蒂、敲声、纹理、脐部、触感、密度、含糖率，以及最重要的标签 —— 是否为好瓜。同时，还有一个测试样本，我们的任务就是利用朴素贝叶斯分类器，根据已有数据集来判断这个测试样本是好瓜还是坏瓜。

3.1 数据预处理

首先，我们需要将数据集整理成 Python 能够处理的格式。为了方便，我们可以使用pandas库来读取和处理数

import pandas as pd

# 读取数据集，假设数据集保存为csv格式，若不是需调整读取方式
data = pd.read_csv('watermelon_data.csv')  # 这里需根据实际数据集文件路径调整
# 提取特征和标签
features = data[['色泽', '根蒂', '敲声', '纹理', '脐部', '触感', '密度', '含糖率']]
labels = data['好瓜']

# 测试样本
test_sample = pd.DataFrame([['青绿', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', 0.697, 0.460]],
                           columns=['色泽', '根蒂', '敲声', '纹理', '脐部', '触感', '密度', '含糖率'])

3.2 计算先验概率

计算好瓜和坏瓜的先验概率，也就是在数据集中好瓜和坏瓜各自出现的频率。

# 计算好瓜和坏瓜的数量
num_good_watermelon = len(labels[labels == '是'])
num_bad_watermelon = len(labels[labels == '否'])
total_num = len(labels)

# 计算先验概率
prior_good = num_good_watermelon / total_num
prior_bad = num_bad_watermelon / total_num

3.3 计算条件概率

对于离散型特征（色泽、根蒂等），计算在好瓜和坏瓜条件下各个特征取值出现的概率；对于连续型特征（密度、含糖率），这里简单假设服从均匀分布来计算概率（实际中常假设高斯分布，此处简化处理）

# 计算离散特征的条件概率
def calculate_discrete_prob(feature_name, feature_value, label):
    subset = features[labels == label]
    num = len(subset[subset[feature_name] == feature_value])
    return num / len(subset)

# 计算连续特征的条件概率（简化均匀分布假设）
def calculate_continuous_prob(feature_name, feature_value, label):
    subset = features[labels == label][feature_name]
    min_val = subset.min()
    max_val = subset.max()
    if max_val - min_val == 0:
        return 1 if min_val == feature_value else 0
    return 1 / (max_val - min_val) if min_val <= feature_value <= max_val else 0

3.4 计算后验概率并分类及结果

根据朴素贝叶斯公式计算测试样本属于好瓜和坏瓜的后验概率，比较大小进行分类。

# 计算测试样本属于好瓜的后验概率
posterior_good = prior_good
for feature_name in features.columns:
    if feature_name in ['密度', '含糖率']:
        feature_value = test_sample[feature_name].values[0]
        posterior_good *= calculate_continuous_prob(feature_name, feature_value, '是')
    else:
        feature_value = test_sample[feature_name].values[0]
        posterior_good *= calculate_discrete_prob(feature_name, feature_value, '是')

# 计算测试样本属于坏瓜的后验概率
posterior_bad = prior_bad
for feature_name in features.columns:
    if feature_name in ['密度', '含糖率']:
        feature_value = test_sample[feature_name].values[0]
        posterior_bad *= calculate_continuous_prob(feature_name, feature_value, '否')
    else:
        feature_value = test_sample[feature_name].values[0]
        posterior_bad *= calculate_discrete_prob(feature_name, feature_value, '否')

# 比较后验概率并分类
if posterior_good > posterior_bad:
    result = '是（好瓜）'
else:
    result = '否（坏瓜）'

print(f"测试样本是好瓜的概率: {posterior_good}")
print(f"测试样本是坏瓜的概率: {posterior_bad}")
print(f"分类结果: {result}")

四、总结与拓展

通过上述代码，我们成功地利用朴素贝叶斯分类器对测试西瓜样本进行了好坏判断。在实际应用中，朴素贝叶斯分类器在文本分类、垃圾邮件过滤、情感分析等众多领域都有着广泛的应用。

当然，本文的实现过程中对于连续型特征的处理进行了简化。在更严谨的实现中，对于密度、含糖率这样的连续型特征，通常会假设其服从高斯分布，通过计算均值和方差来准确计算概率密度函数值。同时，还可以进一步优化代码，比如使用更高效的数据结构，或者结合scikit - learn库中已经封装好的朴素贝叶斯模型来提升效率和准确性。

希望通过这篇博客，大家能对朴素贝叶斯分类器的原理和应用有更深入的理解，也欢迎大家在评论区交流探讨，分享自己的学习心得和疑问。

请注意，在实际运行代码时，需要确保数据集文件路径正确，并且根据实际情况合理调整代码中的假设和处理方式。