- 简介
贝叶斯定理用Thomas Bayes的名字命名。早在18世纪，英国学者贝叶斯提出计算条件概率的公式用来解决如下问题：
假设B[1]、B[2]…B[n]互斥并且构成一个完备事件组，已知他们的概率P(B[i]),i=1,2,...,n,已知某一事件A与B相伴随机出现，并且已知条件概率P(A|B[i])的概率，求条件概率p(B[i]|A)
贝叶斯定理具体形式为：
其中P(A|B)是在 B 发生的情况下 A 发生的可能性。P(B|A)是在A发生的情况下B发生的概率可能性。
P(A)是 A 的先验概率，之所以称为“先验”是因为它不考虑任何 B 方面的因素。P(A|B)是已知 B 发生后 A 的条件概率，也由于得自 B 的取值而被称作 A 的后验概率。P(B|A)是已知 A 发生后 B 的条件概率，也由于得自 A 的取值而被称作 B 的后验概率。P(B)是 B 的先验概率，也作标淮化常量（normalizing constant）。后验概率 = (相似度 * 先验概率)/标淮化常量，既是P(A|B) =P(AB)/P(B)，比例P(B|A)/P(B)也有时被称作标淮相似度（standardised likelihood），Bayes定理可表述为：后验概率 = 标淮相似度 * 先验概率
- 朴素贝叶斯
在数据挖掘中，朴素贝叶斯是一个比较经典的算法，给定训练数据集A,类别B，其中A
的属性列为Ai,i=1,2,…,n;B={B1,B2,…,Bn};贝叶斯算法核心思想是给定待判定数据元组，根据训练数据集进行分类预测，通过贝叶斯定理计算当前待判定元组属于某一类别的概率，概率最大者即为该待判定元组的类别归属。
所谓的朴素贝叶斯是指在给定训练集数据元组中，每一个属性列之间是独立的，相互之间互不影响，A1,A2,…,An之间互相独立：
通过贝叶斯公式计算后验概率：
此公式是表名给定元组数据A，其在A的条件下属于类别Bj的概率，由于A的每一列之间相互独立的，互不影响，因此
在求出
在进行贝叶斯算法应用时候由于数据量较大而且较为复杂，因此经常会遇见概率为0的值，那么概率为0的值怎么办呐？有一个简单的技巧来避免该问题，可以假定训练数据库D很大，以至于对每个计数加1造成的估计概率的变化忽略不计，但可以方便的避免概率值为0.这种概率估计技术成为拉普拉斯校准或者拉普拉斯估计法。对元组中每一列属性的不重复的数据项计数加1,并且在分母计算上也加1，这样可以有效地避免概率为0的问题。
同时在运用python进行计算概率时候，我们可以通过取对数进行相应的计算，因为数据量过大的话会造成某项概率过小，但是我们按照数学的方法，y=x是单调递增，那么y=lnx也
是单调递增的这个思想，即x1>x2 那么lnx1>lnx2；通过对数之间的公式运算,如
- 朴素贝叶斯的python实现
# -*- coding: utf-8 -*- from numpy import * from functools import reduce # 广告、垃圾标识 adClass = 1 def loadDataSet(): """加载数据集合及其对应的分类""" wordsList = [['周六', '公司', '一起', '聚餐', '时间'], ['优惠', '返利', '打折', '优惠', '金融', '理财'], ['喜欢', '机器学习', '一起', '研究', '欢迎', '贝叶斯', '算法', '公式'], ['公司', '发票', '税点', '优惠', '增值税', '打折'], ['北京', '今天', '雾霾', '不宜', '外出', '时间', '在家', '讨论', '学习'], ['招聘', '兼职', '日薪', '保险', '返利']] # 1 是, 0 否 classVec = [0, 1, 0, 1, 0, 1] return wordsList, classVec # python中的& | 是位运算符 and or是逻辑运算符 当and的运算结果为true时候返回的并不是true而是运算结果最后一位变量的值 # 当and返回的结果是false时候，如果A AND B 返回的是第一个false的值，如果a为false 则返回a，如果a不是false，那么返回b # 如果a or b 为true时候，返回的是第一个真的变量的值，如果a,b都为真时候那么返回a 如果a为假b为真那么返回b # a & b a和b为两个set,返回结果取a和b的交集 a|b a和b为两个set,返回结果为两个集合的不重复并集 def doc2VecList(docList): # 从第一个和第二个集合开始进行并集操作，最后返回一个不重复的并集 a = list(reduce(lambda x, y: set(x) | set(y), docList)) return a def words2Vec(vecList, inputWords): """把单子转化为词向量""" # 转化成以一维数组 resultVec = [0] * len(vecList) for word in inputWords: if word in vecList: # 在单词出现的位置上的计数加1 resultVec[vecList.index(word)] += 1 else: print('没有发现此单词') return array(resultVec) def trainNB(trainMatrix, trainClass): """计算，生成每个词对于类别上的概率""" # 类别行数 numTrainClass = len(trainClass) # 列数 numWords = len(trainMatrix[0]) # 全部都初始化为1， 防止出现概率为0的情况出现 # 见于韩家炜的数据挖掘概念与技术上的讲解，避免出现概率为0的状况，影响计算，因为在数量很大的情况下，在分子和分母同时+1的情况不会 # 影响主要的数据 p0Num = ones(numWords) p1Num = ones(numWords) # 相应的单词初始化为2 # 为了分子分母同时都加上某个数λ p0Words = 2.0 p1Words = 2.0 # 统计每个分类的词的总数 # 训练数据集的行数作为遍历的条件，从1开始 # 如果当前类别为1，那么p1Num会加上当前单词矩阵行数据，依次遍历 # 如果当前类别为0，那么p0Num会加上当前单词矩阵行数据，依次遍历 # 同时统计当前类别下单词的个数和p1Words和p0Words for i in range(numTrainClass): if trainClass[i] == 1: # 数组在对应的位置上相加 p1Num += trainMatrix[i] p1Words += sum(trainMatrix[i]) else: p0Num += trainMatrix[i] p0Words += sum(trainMatrix[i]) # 计算每种类型里面， 每个单词出现的概率 # 朴素贝叶斯分类中，y=x是单调递增函数，y=ln(x)也是单调的递增的 # 如果x1>x2 那么ln(x1)>ln(x2) # 在计算过程中，由于概率的值较小，所以我们就取对数进行比较，根据对数的特性 # ln(MN) = ln(M)+ln(N) # ln(M/N) = ln(M)-ln(N) # ln(M**n)= nln(M) # 注：其中ln可替换为log的任意对数底 p0Vec = log(p0Num / p0Words) p1Vec = log(p1Num / p1Words) # 计算在类别中1出现的概率，0出现的概率可通过1-p得到 pClass1 = sum(trainClass) / float(numTrainClass) return p0Vec, p1Vec, pClass1 def classifyNB(testVec, p0Vec, p1Vec, pClass1): # 朴素贝叶斯分类, max(p0， p1)作为推断的分类 # y=x 是单调递增的， y=ln(x)也是单调递增的。 ， 如果x1 > x2, 那么ln(x1) > ln(x2) # 因为概率的值太小了，所以我们可以取ln， 根据对数特性ln(ab) = lna + lnb， 可以简化计算 # sum是numpy的函数，testVec是一个数组向量，p1Vec是一个1的概率向量，通过矩阵之间的乘机 # 获得p(X1|Yj)*p(X2|Yj)*...*p(Xn|Yj)*p(Yj) # 其中pClass1即为p(Yj) # 此处计算出的p1是用对数表示，按照上面所说的，对数也是单调的，而贝叶斯分类主要是通过比较概率 # 出现的大小，不需要确切的概率数据，因此下述表述完全正确 p1 = sum(testVec * p1Vec) + log(pClass1) p0 = sum(testVec * p0Vec) + log(1 - pClass1) if p0 > p1: return 0 return 1 def printClass(words, testClass): if testClass == adClass: print(words, '推测为：广告邮件') else: print(words, '推测为：正常邮件') def tNB(): # 从训练数据集中提取出属性矩阵和分类数据 docList, classVec = loadDataSet() # 生成包含所有单词的list # 此处生成的单词向量是不重复的 allWordsVec = doc2VecList(docList) # 构建词向量矩阵 # 计算docList数据集中每一行每个单词出现的次数，其中返回的trainMat是一个数组的数组 trainMat = list(map(lambda x: words2Vec(allWordsVec, x), docList)) # 训练计算每个词在分类上的概率, p0V:每个单词在非分类出现的概率， p1V:每个单词在是分类出现的概率 # 其中概率是以ln进行计算的 # pClass1为类别中是1的概率 p0V, p1V, pClass1 = trainNB(trainMat, classVec) # 测试数据集 testWords = ['公司', '聚餐', '讨论', '贝叶斯'] # 转换成单词向量，32个单词构成的数组，如果此单词在数组中，数组的项值置1 testVec = words2Vec(allWordsVec, testWords) # 通过将单词向量testVec代入，根据贝叶斯公式，比较各个类别的后验概率，判断当前数据的分类情况 testClass = classifyNB(testVec, p0V, p1V, pClass1) # 打印出测试结果 printClass(testWords, testClass) testWords = ['公司', '保险', '金融'] # 转换成单词向量，32个单词构成的数组，如果此单词在数组中，数组的项值置1 testVec = words2Vec(allWordsVec, testWords) # 通过将单词向量testVec代入，根据贝叶斯公式，比较各个类别的后验概率，判断当前数据的分类情况 testClass = classifyNB(testVec, p0V, p1V, pClass1) # 打印出测试结果 printClass(testWords, testClass) if __name__ == '__main__': tNB()
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
