1. 算法
计算先验概率P(Y=ck)
计算条件概率P(Xi=xi|Y=ck)
对于给定的实例计算后验概率P(Y=ck)P(xi=xi|Y=ck),取后验概率最大的作为实例的分类
2. 例子
数据集
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | |
X1 | 1 | 1 | 1 | 1 | 1 | 2 | 2 | 2 | 2 | 2 | 3 | 3 | 3 | 3 | 3 |
X2 | S | M | M | S | S | S | M | M | L | L | L | M | M | L | L |
Y | -1 | -1 | 1 | 1 | -1 | -1 | -1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | -1 |
3. 原理
假设已知特征向量X=x,要求这个特征对应的类别,也就是要求 ,所以朴素贝叶斯的出发点在于使得后验概率 最大化。根据贝叶斯公式有
分析一下这个式子, P(Y=ck)比较容易计算,另外两项不容易计算,需要转换,因此,根据全概率公式有
假设特征的各个分量之间是独立的,基于此独立性假设有
把式3-2和式3-3代入到式3-1中有
由于式(3-4)中,对于所有ck,分母都是相同的,因此,有
有了这个公式,自然朴素贝叶斯算法的步骤也就出来了
4. 拉普拉斯平滑
4.1 为什么要做平滑处理
零概率问题,就是在计算实例的概率时,如果某个量x,在观察样本库(训练集)中没有出现过,会导致整个实例的概率结果是0。在文本分类的问题中,当一个词语没有在训练样本中出现,该词语概率为0,使用连乘计算文本出现概率时也为0。这是不合理的,不能因为一个事件没有观察到就武断的认为该事件的概率是0。
4.2 理论支撑
为了解决零概率的问题,法国数学家拉普拉斯最早提出用加1的方法估计没有出现过的现象的概率,所以加法平滑也叫做拉普拉斯平滑。假定训练样本很大时,每个分量x的计数加1造成的估计概率变化可以忽略不计,但可以方便有效的避免零概率问题。
4.3 怎么做
假设在文本分类中,有3个类,C1、C2、C3,在指定的训练样本中,某个词语K1,在各个类中观测计数分别为0,990,10,K1的概率为0,0.99,0.01,对这三个量使用拉普拉斯平滑的计算方法如下:
1/1003 = 0.001,991/1003=0.988,11/1003=0.011
在实际的使用中也经常使用加 lambda(1≥lambda≥0)来代替简单加1。如果对N个计数都加上lambda,这时分母也要记得加上N*lambda。
5. 优劣势
优点:
小规模数据,多分类任务,适合增量式训练
缺点:
对输入数据的表达形式敏感
6. 应用
7. 实现