贝叶斯定理
条件概率,即在B的条件下A发生的概率:
P
(
A
∣
B
)
=
P
(
A
B
)
P
(
B
)
P(A|B)=\frac{P(AB)}{P(B)}
P(A∣B)=P(B)P(AB)
贝叶斯定理:
P
(
B
∣
A
)
=
P
(
A
∣
B
)
P
(
B
)
P
(
A
)
P(B|A)=\frac{P(A|B)P(B)}{P(A)}
P(B∣A)=P(A)P(A∣B)P(B)
在生活中,我们可能会更关心P(B|A)而不是P(A|B),就比如说你在意的是这个男的或者女的是不是很有钱,而不是这个有钱的是男的还是女的。
朴素贝叶斯
思想基础:对于给定的待分类项,求解在此项出现的条件下各个类别出现的概率,那么该项就属于值最大的那一类。
解决步骤:
- 设 X i = { x 1 i , x 2 i , . . . , x k i } X^i=\{x_1^i,x_2^i,...,x_k^i\} Xi={x1i,x2i,...,xki}表示第 i i i个样本,其中 k k k为一个样本的特征数。 C = { c 1 , c 2 , . . . , c n } C=\{c_1,c_2,...,c_n\} C={c1,c2,...,cn}表示类别集合。
- 统计得到各类别的先验概率 P ( c 1 ) , P ( c 2 ) , . . . , P ( c n ) P(c_1),P(c_2),...,P(c_n) P(c1),P(c2),...,P(cn)
- 统计得到在各类别下各个特征属性的条件概率估计 P ( x 1 ∣ c 1 ) P(x_1|c_1) P(x1∣c1), P ( x 2 ∣ c 1 ) P(x_2|c_1) P(x2∣c1),…, P ( x k ∣ c 1 ) P(x_k|c_1) P(xk∣c1); P ( x 1 ∣ c 2 ) P(x_1|c_2) P(x1∣c2) , P ( x 2 ∣ c 2 ) P(x_2|c_2) P(x2∣c2),…, P ( x k ∣ c 2 ) P(x_k|c_2) P(xk∣c2); P ( x 1 ∣ c n ) P(x_1|c_n) P(x1∣cn), P ( x 2 ∣ c n ) P(x_2|c_n) P(x2∣cn),…, P ( x k ∣ c n ) P(x_k|c_n) P(xk∣cn);
- 对于一个新样本,如果各个特征属性是条件独立的,则根据贝叶斯定理有如下推导:
P
(
c
i
∣
X
)
=
P
(
X
∣
c
i
)
P
(
c
i
)
P
(
X
)
P(c_i|X)=\frac{P(X|c_i)P(c_i)}{P(X)}
P(ci∣X)=P(X)P(X∣ci)P(ci),然而分母对于所有类别为常数,所以只考虑分母即可。因为各特征属性是条件独立的,所以有:
P ( X ∣ c i ) P ( c i ) = P ( x 1 ∣ c i ) P ( x 2 ∣ c i ) . . . P ( x k ∣ c i ) P ( c i ) P(X|c_i)P(c_i)=P(x_1|c_i)P(x_2|c_i)...P(x_k|c_i)P(c_i) P(X∣ci)P(ci)=P(x1∣ci)P(x2∣ci)...P(xk∣ci)P(ci) - 最后所分的类别为 m a x { P ( c i ∣ X ) , i = 1 , 2 , . . . , n } max\{P(c_i|X),i=1,2,...,n\} max{P(ci∣X),i=1,2,...,n}
限制性:对于文本分类问题,词语和词语之间是有联系的,而朴素贝叶斯将这种关系分开了,比如说“强化”和“学习”两个词如果分开看可能表示某种鸡汤书,但是合起来属于AI的概率就变大了。