朴素贝叶斯模型（naive bayes）

朴素贝叶斯模型（naive bayes）

注：本博客为周志华老师《机器学习》的读书笔记，但同时也参考了李航老师的《统计学习》方法，以及其他资料（见参考文献），虽有自己的理解，但博客里的例子是基于《机器学习》的。

在讲具体的原理之前，先说说朴素贝叶斯的几个特点：1、朴素贝叶斯是一种典型的生成式模型，有监督学习可以分为两类：判别模型和生成模型，我们所熟悉的神经网络，支持向量机和logistic regression，决策树等都是判别模型。而朴素贝叶斯和隐马尔可夫模型则属于生成式模型。关于判别式模型和生成式模型的区别这里写一下：

判别式模型由数据直接学习 $P(y|x)$来预测$y$，而生成式模型则是学习每个类别对应的分布$P(x|y)$和$P(y)$（也就是联合概率$P(x,y)$，$P(x,y)=P(x|y)P(y)$）。用个通俗易懂的例子来解释下（摘自ng：Generative Learning algorithms），假如我们的任务是个二分类任务，要算法根据训练数据判断出是大象（label=0）还是狗（label=1），判别式模式直接对$P(y|x)$建模，学习的是大象和狗之间的区别（Machine Learning: Generative and Discriminative Models，p10）。而生成式模型则分别对大象建模 $P(x|y=0)$和对狗建模$P(x|y=1）$，也就是用一个模型来刻画大象，再用另一个模型来刻画狗。来了一个新样本后，它去分别和大象和狗的模型进行匹配，看看更像哪一个，则把新样本分为哪一类。也就是说，生成式模型实际上是建立一个多模型（有多少类就建多少个模型），而判别式模型只有一个模型。
这两种方法各有优缺点，判别模型可以简化学习问题，由于直接面对预测，往往学习的准确率更高（判别式模型性能通常较好，这一点在Ng和Jordan的论文的论文中也说明了，论文：On Discriminative vs. Generative classifiers: A comparison of logistic regression and naive Bayes ）这一篇文章是一篇很经典的阐述判别式模型和生成式模型的论文），而生成式模型的学习收敛速度更快，当样本数量增加的时候，学到的模型可以更快的收敛于真实模型。而且可以学习有因变量的任务，比如隐马尔科夫模型。

Note：国内的书李航老师的《统计学习方法》和周志华老师的《机器学习》对生成模型的定义，皆为：先对联合概率$P(x,y)$建模，然后由此求得$P(y|x)$。虽然本质上和Ng讲的是一样的，但感觉ng的note更好理解，强烈建议大家看一下，note：Generative Learning algorithms，毕竟关于判别模型和生成模型，ng和他的导师Jordan在02年发表了一篇经典论文。

再回到朴素贝叶斯模型的话题上，我们先来看看贝叶斯决策理论，来一点点引出朴素贝叶斯模型，根据贝叶斯公式有：
$$P(y|x)=\frac{p(x|y)\cdot p(y)}{p(x)}\text{\hspace{1em}(1)}$$
其实贝叶斯公式用更加朴素的语言就是：
$$后验=\frac{似然\times 先验}{证据}\text{\hspace{1em}(2)}$$
其中，$P(y)$是先验概率，$P(x|y)$ 是样本$x$相对于类别$y$的条件概率（也称似然），$P(x)$是一个与$y$无关的归一化因子，因此它对所有类别来说都是相同的，其实就是个常数，因此：
$$P(y|x)\propto p(x|y)\cdot p(y)\text{\hspace{1em}(3)}$$

设样本$x$有$n$个特征为：$x_1,x_2,x_3,...,x_n$，则上式3为：
$$P(y\mid x_1,\dots ,x_n)\propto P(y)P(x_1,\dots x_n\mid y)\text{\hspace{1em}(4)}$$
而根据条件概率的乘法公式，又有：
$$P(x_1,\dots x_n\mid y)=P(x_1|y)\cdot P(x_2|x_1,y)\cdot P(x_3|x_1,x_2,y)\cdot \cdot \cdot P(x_n|x_1,x_2,....,x_{n-1},y)\text{\hspace{1em}(5)}$$
到这一步，发现没法做了，因为复杂度太高了，后面的多元联合概率没法算。即使对于二元分类，我们的特征$x_i$是二值的，那么复杂度也有$2^n$这种指数级的。因此朴素贝叶斯给出了一个神假设：假设特征之间是独立的。所谓 “朴素” 二字就体现在这个地方，但是根据我们的常识也知道，样本的特征之间几乎不太可能是相互独立的，因此朴素贝叶斯效果肯定不好，但结果却恰恰相反，无数的实验证明朴素贝叶斯对于文本分类任务效果都很好。

有了特征之间是相互独立的这个假设后，则上面的公式变为：
$$\begin{array}{lcl}P(y|x_1,x_2,...,x_n)& =& \frac{P(y)p(x_1,x_2,...,x_n|y)}{P(x_1,x_2,...,x_n)}\\ & & \\ & \propto & P(y)\cdot P(x_1,x_2,...,x_n|y)\\ & & \\ & =& P(y)\cdot P(x_1|y)\cdot P(x_2|x_1,y)\cdot P(x_3|x_1,x_2,y)\cdot \cdot \cdot P(x_n|x_1,x_2,....,x_{n-1},y)\\ & & \\ & =& P(y)\cdot P(x_1|y)\cdot P(x_2|y)\cdot P(x_3|y)\cdot \cdot \cdot P(x_n|y)\\ & & \\ & =& P(y)\cdot {\prod }_{i=1}^{n}P(x_i|y)\end{array}\text{\hspace{1em}(6)}$$
我们只需最大化后验概率，即：
$$\hat{y}=\arg \underset{y}{\max }P(y)\prod _{i=1}^{n}P(x_i\mid y)\text{\hspace{1em}(7)}$$

再回想下上面说的，生成式模型会给每个类别都建立一个模型（分布），然后新样本过来后计算与哪个分布更匹配，就划归到哪一类中，而朴素贝叶斯算法用一句话简短直白的说就是：算出新样本在每个类别的后验概率，然后看哪个最大，就把新样本分到哪个类中。还有一点需要注意的是，朴素贝叶斯并不需要像神经网络，logistic 回归和线性回归这样先根据训练数据去学习参数，然后预测新样本。朴素贝叶斯是直接那新样本去数据集（训练集）去算后验概率，然后分类，这一点与knn很相似，都是不需要训练的。

我们接下来看看公式（7）中，$P(y)$和$P(x_i|y)$怎么求，根据大数定律，若样本量充足，则有：
$$P(y_c)=\frac{|D_c|}{|D|}\text{\hspace{1em}(8)}$$
$$P(x_i|y)=\frac{|D_{c,x_i}|}{|D_c|}\text{\hspace{1em}(9)}$$
其中，$D_c$表示训练集$D$中第$c$类样本的数量，$|D_{c,x_i}|$表示$D_c$中第$i$个属性上取值为$x_i$的样本个数。

那么问题来了，对于分类任务而言，类别肯定是离散的，那么特征取值可不一定啊，有可能是离散的也有可能是连续的。上面的公式（9）只适用于特征值为离散的情况，那么对于特征值是连续的，该怎么做呢？这也是生成式模型的特点，需要假设分布，在朴素贝叶斯中，对于连续值，假设其符合高斯分布，即: $P(x_i|y)\sim N({\mu }_{c,i},{\sigma }_{c,i}^2)$
$$P(x_i|y)=\frac{1}{\sqrt{2\pi }{\sigma }_{c,i}}exp(-\frac{(x_i-{\mu }_{c,i}{)}^2}{2{\sigma }_{c,i}^2})\text{\hspace{1em}(10)}$$
其中，${\mu }_{c,i},{\sigma }_{c,i}^2$为分别第$c$类样本在第$i$个属性上的均值和方差。

这其实就是朴素贝叶斯的原理了，基本就是这些内容，是不是真的很简单直白。在实际使用中（实现），往往还需要做个平滑，防止概率出现0的情况，这个我们下面会讲，这里先提一下。我们先来举个例子，看看在朴素贝叶斯到底是怎么实现分类的。这里的例子以及数据集，均来自周志华老师的《机器学习》书，数据集：

我们取第一条样本当做测试样本，即：

下面是计算过程：

目前看似一切很完美，但是其实暗藏一个bug，上面计算每个类别的概率是个连乘，连乘就会有问题，如果其中一项为0，则结果直接为0。比如，我们有个测试样本的特征为：敲声=清脆，基于上面的数据集，能够发现
$$P(清脆|是)=P(敲声=清脆|好瓜=是)=0/8=0$$
因此，**即使其它所有特征都很符合好瓜，但是也会被判定为坏瓜。这显然是不合理的。**因此，就要用到上面提到的平滑技术，对这个概率值进行平滑，这里用拉普拉斯平滑，贝叶斯里的拉普拉斯推导就不写了，有兴趣的可以看下李航老师的《统计学习方法》或者ng的那个note，有个简短的推导。这里直接给出计算公式：
$$\hat{P}(c)=\frac{|D_c|+1}{|D|+N}\text{\hspace{1em}(11)}$$
$$\hat{P}(x_i|c)=\frac{|D_{c,x_i}|+1}{|D_c|+N_i}\text{\hspace{1em}(12)}$$
其中，$N$表示训练集中可能的类别数，于二分类而言，$N=2$。$N_i$表示第$i$个属性可能的取值数。
因此，在上面的例子中，加入拉普拉斯平滑后，可修正为：
$$\hat{P}(好瓜=是)=\frac{8+1}{17+2}=0.474，\hat{P}(好瓜=否)=\frac{9+1}{17+2}=0.526\text{\hspace{1em}(13)}$$
同样，
$$\begin{gathered} \hat{P}(青绿|是)=\hat{P}(色泽=青绿|好瓜=是)\frac{3+1}{8+3}=0.364 \\ \hat{P}(青绿|否)=\hat{P}(色泽=青绿|好瓜=否)\frac{3+1}{9+3}=0.333 \end{gathered}$$
后面的这里就不算了，感兴趣的可自行算下。显然拉普拉斯平滑解决了上文中提到的概率为0问题，而且当数据集足够大时，样本数足够多时，拉普拉斯平滑也不会对概率产生影响，几乎可以忽略不计。

参考文献
[1]: 周志华 著. 机器学习, 北京: 清华大学出版社
[2]: 李航 著. 统计学习方法, 北京: 清华大学出版社
[3]: Andrew ng. CS229 Lecture notes 《Generative Learning algorithms》
[4]: Sargur N. Srihari. Machine Learning: Generative and Discriminative Models