朴素贝叶斯分类

贝叶斯分类算法，是一类以贝叶斯定理为基础的分类算法，因为有非常扎实的数学理论基础，所以分类效果非常不错而且计算的开销也比较低。算法的难点是需要足够大的数据集以及如何表示概率，基于纯概率的一个算法

一、分类问题

最简单的分类问题，采用西瓜书的例子。你去选瓜的话，会根据瓜的各种特征（纹路，颜色，瓜蒂是否卷曲，拍打声。。。）来判断这个瓜是否成熟。基于的原理是我们的经验，每次我都买这样的瓜都是熟的。朴素贝叶斯也是这样的原理。
利用数学进行描述，已知集合C={y1,y2,…,yn}和I={X1,X2,…Xm}。其中每个X是一个样本，里面有含有不同的特征{x1,x2,…,xt}。我们希望找到一个映射y=f(X)。这个f其实就是我们的经验。

二、贝叶斯决策

2.1 后验概率

P{H0|x}是给定观测值x条件下H0出现的概率,统称为后验概率。学过概率论的对于这种形式知道这个是条件概率。

2.2 贝叶斯定理

贝叶斯分类的基础就是贝叶斯定理。
条件概率定义：
事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为P（A|B），读作“在B条件下A发生的概率”。

所以可以很简单的知道
$$P\left(A|B\right)=P\left(A\cap B\right)/P\left(B\right)$$
所以可以得到以下公式
$$P\left(B|A\right)\cdot P\left(A\right)=P\left(A\cap B\right)=P\left(A|B\right)\cdot P\left(B\right)$$
则可以得到贝叶斯定理
$$P\left(B|A\right)=\frac{P\left(A|B\right)\cdot P\left(B\right)}{P\left(A\right)}$$

朴素贝叶斯分类

朴素贝叶斯就是将贝叶斯算法应用到分类之中。

（1）x=(x1,x2,…xD)表示含有D维属性的数据对象。训练集S含有K个类别，表示为y=(y1,y2,…yK)。

（2）已知待分类数据对象xx，预测xx所属类别，计算方式如下：
$$y_k=\underset{y_k\in y}{\mathrm{argmax}}\left(P\left(y_k|\text{x}\right)\right)$$

所得yk即为x所属类别。上式表示，已知待分类数据对象x的情况下，分别计算x属于y1、y2、…、yK的概率，选取其中概率的最大值，此时所对应的yk，即为x所属类别。

（3）根据贝叶斯定理，P(yk|x)计算方式如下：
$$P\left(y_k|\text{x}\right)=\frac{P\left(\text{x}|y_k\right)\cdot P\left(y_k\right)}{P\left(\text{x}\right)}$$

计算过程中，P(x)对于P(yk|x)，相当于常数。因此，若想得到P(yk|x)最大值，只需计算P(x|yk)P(yk)最大值。如果类别的先验概率未知，即P(yk)未知，则通常假定这些类别是等概率的，即P(y1)=P(y2)=…=P(yK)。

（4）假设数据对象xx的各属性之间相互独立，P(x|yk)计算方式如下：
$$P\left(\text{x}|y_k\right)=\prod _{d=1}^{D}P\left(x_d|y_k\right)$$

（5）P(xd|yk)的计算方式如下：
如果属性Ad是离散属性或分类属性。训练集中属于类别ykyk的数据对象，在属性AdAd下的相异属性值共有n个；训练集中属于类别yk，且在属性Ad下的属性值为xdxd的数据对象共有m个。因此，P(xd|yk)计算方式如下：
$$P\left(x_d|y_k\right)=\frac{m}{n}$$

如果属性AdAd是连续属性。通常假设连续属性均服从均值为μμ、标准差为σσ的高斯分布， 即
$$G\left(x\right)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{{\left(x-\mu \right)}^2}{2{\sigma }^2}}$$
因此，P(xd|yk)P(xd|yk)计算方式如下：
$$P\left(x_d|y_k\right)=G\left(x_d,{\mu }_{y_k},{\sigma }_{y_k}\right)$$
其中，μykμyk、σykσyk表示训练集中属于类别ykyk的数据对象在属性AdAd下的均值和标准差。

四、优缺点

优点：

（1） 算法逻辑简单,易于实现（算法思路很简单，只要使用贝叶斯公式转化一下即可！）

（2）分类过程中时空开销小（假设特征相互独立，只会涉及到二维存储）

缺点：
朴素贝叶斯为什么朴素，就是认为特征之间是相互独立的，这个是非常武断的。在数据简单的时候效果非常好，但是我们现在面对的任务数据非常的复杂，算法效果就真很好了。

参考文献：
https://blog.csdn.net/qq_17073497/article/details/81076250
https://blog.csdn.net/tanggao1314/article/details/66478782