<span style="font-family: 'Helvetica Neue', Helvetica, Arial, sans-serif; background-color: rgb(255, 255, 255);">
</span>
<span style="font-family: 'Helvetica Neue', Helvetica, Arial, sans-serif; background-color: rgb(255, 255, 255);">1、引子</span>
<span style="font-family: 'Helvetica Neue', Helvetica, Arial, sans-serif; background-color: rgb(255, 255, 255);">
</span>
<span style="font-family: 'Helvetica Neue', Helvetica, Arial, sans-serif; background-color: rgb(255, 255, 255);">1、引子</span>
朴素贝叶斯方法是一种使用先验概率去计算后验概率的方法,其中朴素的意思实际上指的是一个假设条件,后面在举例中说明。本人以为,纯粹的数学推导固然有其严密性、逻辑性的特点,但对我等非数学专业的人来说,对每一推导步骤的并非能透彻理解,我将从一个例子入手,类似于应用题的方式,解释朴素贝叶斯分类器,希望能对公式的理解增加形象化的场景。
2、实例
最近“小苹果”很火,我们就以苹果来举例说,假设可以用三个特征来描述一个苹果,分别为“尺寸”、“重量”和“颜色”;其中“尺寸”的取值为小、大,“重量”的取值为轻、重,“颜色”取值为红、绿。对这三个特征描述的苹果中,对苹果的按味道进行分类,可取的值为good、bad。
朴素贝叶斯分类器就要要解决如下一个问题,已知苹果味道取good和bad的概率,那么如果给定一个一组苹果的特征,那么这个苹果味道取good和bad的概率是多少?这是个典型的逆概率的问题。
尺寸(size) 大 小 大 大 小 小
重量(weight) 轻 重 轻 轻 重 轻
颜色(color) 红 红 红 绿 红 绿
味道(taste) good good bad bad bad good
以上给出了6个苹果的特征描述及其口味,那个一个大而重的红苹果,能否估计出它的味道是good还是bad?
这里我们先解释下朴素的含义,朴素就是这样一个假设:描述苹果的三个特征是相互独立的。这个假设会对后面的计算带来极大的方便。但是肯定有人会想,对这个例子来说,这个假设就不成立嘛,大小和重量从直觉上我们都会感到是两个正相关的特征。是的,朴素的假设在实际世界中是较难满足的,但是实际使用中,基于这个假设作出预测的正确率是在一个可接受的范围。
3、基本方法
P(A∣B) 表示在确定B的情况下,事件A发生的概率,而在实际情况中,我们或许更关心P(B∣A)但是只能直接获得P(A∣B) ,此时我们需要一个工具可以把P(A∣B) 和P(B∣A)相互转化, 贝叶斯定理就是这样一个公式,下面给出贝叶斯定理:
对苹果分类的问题,有三个特征F = {f1, f2, f3},两种分类C = {c1, c2},根据贝叶斯公式有给定特征条件下,特征为ci的概率
使得上式取得最大值的ci即为分类结果,由于对给定训练集来说,P(f1f2f3)为常数,那么就转为为求
P(f1f2f3∣ci)P(ci)
的最大值。
朴素贝叶斯的假设在这里就体现了,由于特征值相互独立,那么上式可以转化为
P(f1∣ci)P(f2∣ci)P(f3∣ci)P(ci)
整个问题就变为求使得上式取最大值的ci,而上式中的每一项都可以从训练集中得到。
最后讨论下Laplace校准,如果某一个特性值在训练集中出现的次数为0,那么以上我们讨论的公式就没有意义了,以为对所有的类型结果都是0。当然对训练集进行选择可以避免这种情况,但是如果避免不了就需要进行Laplace校准。其实很简单,把所有出现特征出现的次数都加上1,即为Laplace校准。
4、R语言实现
</pre><pre name="code" class="plain">
# Naive Bayes
library(plyr)
library(reshape2)
#1、根据训练集创建朴素贝叶斯分类器
#1.1、生成类别的概率
## 计算训练集合D中类别出现的概率,即P{c_i}
## 输入:trainData 训练集,为数据框
## strClassName 指明训练集中名称为strClassName列为分类结果
## 输出:数据框,P{c_i}的集合,类别名称|概率(列名为prob)
class_prob <- function(trainData, strClassName){
#训练集样本数
length.train <- nrow(trainData)
dTemp <- ddply(trainData, strClassName, "nrow")
#ddply用于对trainData进行分组统计
#统计taste的频数
dTemp <- ddply(dTemp, strClassName, mutate, prob = nrow/length.train)
#继上一步计算频率
dTemp[,-2]
}
##1.2、生成每个类别下,特征取不同值的概率
## 计算训练集合D中,生成每个类别下,特征取不同值的概率,即P{fi_ci}
##输入:trainData训练集,为数据框
## strClassName指明训练集中名称为strClassName列为分类的结果,其余的全部列认为是特征值
##输出:数据框,P{fi_ci}的集合,类别名称|特征名称|特征取值|概率(列名为prob)
feature_class_prob <- function(trainData, strClassName){
#横表转成纵表
data.melt <- melt(trainData, id = c(strClassName))
#统计频数
aa <- ddply(data.melt, c(strClassName, "variable", "value"), "nrow")
#计算每一种特征对应的分类的频数
bb <- ddply(aa, c(strClassName, "variable"), mutate, sum = sum(nrow), prob = nrow/sum)
#增加列名
colnames(bb) <- c("class.name",
"feature.name",
"feature.value",
"feature.nrow",
"feature.sum",
"prob")
# 返回结果
bb[, c(1,2,3,6)]
}
#feature_class_prob(iris, "Species")
#以上创建了朴素贝叶斯分类器
##使用生成的朴素贝叶斯分类器进行预测
##使用生成的朴素贝叶斯进行预测P{fi_ci}
##输入:oneObs数据框,待预测样本,格式为特征名称|特征值
## pc数据框,训练集合下,特征取不同值的概率,P{c_i} 类别名称|概率
## pfc数据框,每个类别下,特征值去不同值的概率,即P{fi_ci}
pre_class <- function(oneObs, pc, pfc){
colnames(oneObs) <- c("feature.name", "feature.value")
colnames(pc) <-c("class.name", "prob")
colnames(pfc) <- c("class.name", "feature.name", "feature.value", "prob")
#取出特征的取值的条件概率
feature.all <- join(oneObs, pfc, by = c("feature.name", "feature.value"), type="inner")
#取出特征取值的条件概率的连乘
feature.prob <- ddply(feature.all, .(class.name), summarize, prob_fea = prod(prob))
#prod是连乘函数
#取出类别的概率
class.all <- join(feature.prob, pc, by = "class.name", type = "inner")
#输出结果
ddply(class.all, .(class.name), mutate, pre_prob = prob_fea * prob)[,c(1,4)]
}
##3、数据测试
#训练集
train.apple <- data.frame(
size = c("大", "小", "大", "大", "小", "小"),
weight = c("轻", "重", "轻", "轻", "重", "轻"),
color = c("红", "红", "红", "绿", "红", "绿"),
taste = c("good", "good", "bad", "bad", "bad", "good")
)
#测试集
oneObs <- data.frame(
feature.name = c("size","weight","color"),
feature.value = c("大","重","红")
)
#预测测试集
pc <- class_prob(train.apple, "taste")
pfc <- feature_class_prob(train.apple,"taste")
pre_class(oneObs, pc, pfc)
结果为
class.name pre_prob
1 bad 0.07407407
2 good 0.03703704
可见该苹果的口味为bad
5、朴素贝叶斯分类小结
1、属于有监督的学习(有训练集);
2、主要处理离散类型的数据,如果为连续数据可先进行离散化;
3、训练集的特征取值要尽量完备,如果有缺失需进行预处理(Laplace校准);
4、关于特征值相互独立的假设,在实际问题中一般无法满足,但基于此假设做的预测是可以接受的。
关于其他的朴素贝叶斯介绍可见:
http://www.ruanyifeng.com/blog/2013/12/naive_bayes_classifier.html
http://www.cnblogs.com/leoo2sk/archive/2010/09/17/1829190.html
另外,朴素贝叶斯的课程还可阅读:Andrew Ng机器学习笔记(五)——生成学习算法和朴素贝叶斯算法