概率图模型基础(5)——朴素贝叶斯

最新推荐文章于 2023-10-28 19:43:12 发布

EntropyPlus

最新推荐文章于 2023-10-28 19:43:12 发布

阅读量607

点赞数

分类专栏：概率图模型

本文链接：https://blog.csdn.net/u012759262/article/details/100724708

版权

概率图模型专栏收录该内容

8 篇文章 9 订阅

订阅专栏

文章目录

1. 贝叶斯的知识导图
2. 几个通俗易懂的例子
3. 正儿八经的看一看：贝叶斯分类器
4.pyhton代码实现
实例
参考

1. 贝叶斯的知识导图

朴素贝叶斯法.png

与族谱中几个模型的关系：

生成模型，主要是为了计算 $P (X, Y)$
判别模型，主要是为了计算 $P (Y ∣ X)$

2. 几个通俗易懂的例子

这篇文章用了四个例子简单介绍了贝叶斯的应用

3. 正儿八经的看一看：贝叶斯分类器

3.1 贝叶斯定理

一个数据集中有 $N$ 种标签，记为 $Y=\{c_1, c_2, ..., c_n\}$ ，每一种标签所对应的 $n$ 个特征值记为 $\boldsymbol{x}$ ( $x$ 是一个向量 $\boldsymbol{x}=[x_1, x_2,...,x_n]$ )，那么，对于贝叶斯定理来说，有如下公式：
$\begin{aligned} P(c|\boldsymbol{x})&=\frac{P(\boldsymbol{x}, c)}{P(\boldsymbol{x})}\\ P(c|\boldsymbol{x})&=\frac{P(\boldsymbol{x}|c)·P(c)}{P(\boldsymbol{x})} \end{aligned} \tag{3.1}$
如果仅考虑单变量与类别的关系，将公式3.1应用于每个标签，可以计算出每个标签对应的概率，计算概率最大的标签即为预测的值。

3.2 贝叶斯决策论

在分类中：贝叶斯的目标是如何在给定条件下选择最优的类别标记。那么，最优的判定准则是什么呢？
有以下两种情况：

风险最小化。
错误率最小化。

3.2.1 风险最小化

必然是把类别搞错了之后的代价啊！

假设有一个类别，记为 $c_i$ ，而特征 $\boldsymbol{x}$ 所对应的正确类别是 $c_j$ ，此时，我们把 $c_j$ 错认为是 $c_i$ 所造成的损失记为 $\lambda_{ij}$ ，那么，对于样本空间中的所有样本而言，在给定特征 $\boldsymbol{x_j}$ 的情况下，把它们都认为是 $c_i$ 所造成的总损失，记为 $R(c_i|\boldsymbol{x_j})$ 为：
$\begin{aligned} R(c_i|\boldsymbol{x})= \sum_{j=1}^{N}\lambda_{ij}P(c_j|\boldsymbol{x}) \end{aligned}\tag{3.2}$

而我们的任务是需要找到一个方法 $h$ ，让公式(3.2)最小。这个方法能够将特征映射到类别上，这个方法的对应的总风险为 $R(h(\boldsymbol{x})|\boldsymbol{x})$

那么，在整个训练集上，该函数损失的期望为：
$\begin{aligned} R(h)= E_{\boldsymbol{x}}[R(h(\boldsymbol{x})|\boldsymbol{x})] \end{aligned} \tag{3.3}$

显然，当条件风险 $R(h(\boldsymbol{x})|\boldsymbol{x})$ 最小时，总体风险 $R (h)$ 也最小，因此，在每个样本特征上选择使其条件风险最小的类别标记，便能够达到最优。
此时这个方法表示为：

该类方法的重点在于：人们关心的重点不是所作的决策是否错误，而是错误所带来的损失，具体通过参数 $\lambda_{ij}$ 的大小来体现。

3.2.2 最小错误率

具体来说，如果目标是最小化分类错误率，则误判损失 $\lambda_{ij}$ 可写成：

3.3 贝叶斯的计算方法

我们的目标是获得后验概率 $P(c|\boldsymbol{x})$ ，那么，有两种策略：

判别式模型：给定 $\boldsymbol{x_i}$ 直接通过建模 $P(c|\boldsymbol{x})$ 得到 $c_i$ .
生成式模型：先对联合概率 $P(\boldsymbol{x_i},c)$ 建模，然后再计算 $P(c_i|\boldsymbol{x_i})$

3.4 这跟极大似然估计有什么关系？

3.4.1 极大似然估计

这篇文章用了四个例子简单介绍了贝叶斯的核心思想，这四个例子都是掰着手指头数一数，就能算出所有的概率，好像没有用到所谓的极大似然估计这个概念？（啥是似然函数？）

在统计学中，数学家们认为：当数据足够多的情况下，每一种特征的都是按照一定规律出现的，而这种“规律”是可以通过数学表达式计算得出。寻找表达式的过程就是参数估计，筛选出的最好的表达式的过程极大似然估计。

所以，概率模型的训练过程就是参数估计的过程。而贝叶斯学派的人认为:如果一个训练集 $Y$ 中的第 $k$ 类样本的集合表示为 $Yc_k$ ，假设这些样本是独立同分布的，则参数 $\theta_c$ 对于数据集 $Yc_k$ 的似然是这样的：
$\begin{aligned} P(Yc_k|\theta_c)&=\prod _{x \in Yc_k}P(x|\theta_c) \tag{3.8} \end{aligned}$

3.4.2 对数似然

公式3.8在连乘操作下，很容易有溢出的问题，因此可以使用对数似然进行分析。
$\begin{aligned} LL(\theta_c)&=log P(Yc_k|\theta_c)\\ &=\sum_{x \in Yc_k}log P(x|\theta_c) \end{aligned}$

3.5 灵魂拷问

3.5.1 为什么要假设满足“属性条件独立假设”

疾病分类例子
问，一个打喷嚏的建筑工人，患上感冒的概率有多大？

看着貌似很简单，但是，这样有一个问题：

当特征的数量比较多的时候，它们组合的数据量是爆炸性增长的。
以病人分类为例：2个特征 $\boldsymbol{x}=[症状, 职业]^T$ 。
“症状”特征有2种取值： $x_1=\{打喷嚏, 头痛\}$ ；
“职业”特征有4种取值： $x_2=\{护士, 农夫, 建筑工人, 教师 \}$ 。
那么，通过排列组合，共有16种特征组合（打喷嚏+护士、打喷嚏+农夫、打喷嚏+建筑工人。。。）。
这样的数量是无法容忍的。
由于特征之间组合的数量过多，在实际的数据集中可能有的特征组合根本没有出现，比如（头痛+护士）到底算什么疾病？（注意，这里不能记为0，因为**“未被观测到”和“出现概率为0”**是两码事）。

所以，就有一个大前提：假设所有属性相互独立，在此基础上，则公式3.1可以写成
$\begin{aligned} P(c|x)&=\frac{P(x|c)·P(c)}{P(x)}\\ &=\frac{P(c)}{P(x)}·\prod ^{n}_{i=1}P(x_i|c)\tag{3.9} \end{aligned}$

其中， $n$ 为特征的数目， $x_i$ 为 $\boldsymbol{x}$ 在第 $i$ 个属性上的取值。
$P (c)$ 称为类先验概率。
$\begin{aligned} P(c)=\frac{|D_c|}{|D|}\tag{3.10} \end{aligned}$
$P(疾病=感冒)=\frac{3}{6}$ 、 $P(疾病=过敏)=\frac{1}{6}$ 、 $P(疾病=脑震荡)=\frac{2}{6}$
$P (x)$ 是证据因子，即所取特征的概率相乘，对于类标记均相同。
（例如 $P(症状=打喷嚏)=\frac{1}{2}$ 、 $P(工作=建筑工人)=\frac{2}{6}$ ）
$\prod ^{n}_{i=1}P(x_i|c)$ 是样本 $x$ 对于类标记 $c$ 的类条件概率（似然）
- 对于离散数据而言， $Y_{c,x_i}$ 表示 $Y_{c}$ 中在第 $i$ 个属性上取值为 $x_i$ 的样本组成的集合：
  $KaTeX parse error: No such environment: align at position 8: \begin{̲a̲l̲i̲g̲n̲}̲ P(x_i|c)=\frac…$
  （例如 $P(症状=打喷嚏|疾病=感冒)=\frac{2}{3}$ 、 $P(工作=建筑工人|疾病=感冒)=\frac{1}{3}$ ）
- 对于连续数据而言：
  $KaTeX parse error: No such environment: align at position 8: \begin{̲a̲l̲i̲g̲n̲}̲ P(x_i|c)=\frac…$
  假定 $p(x_i|c) \sim N(\mu_{c,i}, \sigma_{c,i}^2)$ 。其中， $\mu_{c,i}, \sigma_{c,i}^2$ 分别为 $c$ 类标签在第 $i$ 个属性上的均值和方差。

3.5.2 要是出现了未知特征怎么办？

在估计概率值是需要进行“平滑”处理，常用的方法是“拉普拉斯修正”，公式为：
$\begin{aligned} P(c)=\frac{|D_c|+1}{|D|+N}\tag{3.13} \end{aligned}$
$N$ 为训练集中可能的类别数（疾病分类中为3（感冒、过敏、脑震荡））。
$\begin{aligned} P(x_i|c)=\frac{|Y_{c,x_i}|+1}{|Y_c|+N_i}\tag{3.14} \end{aligned}$
$N_i$ 为第 $i$ 个属性可能的取值数（疾病分类中，职业属性的数为：4（护士、建筑工人、教师、农夫））。

4.pyhton代码实现

这里使用了《统计学习方法》和《西瓜书》里的数据

写了代码才发现，周志华老师的西瓜书里有两处疏忽：

概率计算错误。
连续值概率使用的是标准差而非方差

《西瓜书》中的数据为P84页表4.3。在代码中把前面的编号列删掉了。

获取数据

def getData():
    '''
    获取数据
    :return: 返回数据集，特征值名称以及标签类名称
    '''
    dataset = pd.DataFrame({
        '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]}
    )

    # 有的特征如果是连续的话……要用概率密度函数来计算
    features_info = {
        'x1': 'dispersed',
        'x2': 'dispersed'
    }
    label_names = 'Y'

    target = {
        'x1': 2,
        'x2': 'S'
    }

    dataset = pd.read_csv('./data/WaterMelonDataset3.csv')
    # dataset = dataset[1: ]
    features_info = {
        '色泽': 'dispersed',
        '根蒂': 'dispersed',
        '敲声': 'dispersed',
        '纹理': 'dispersed',
        '脐部': 'dispersed',
        '触感': 'dispersed',
        '密度': 'series',
        '含糖率': 'series',
    }
    label_names = '好瓜'
    target = {
        '色泽': '青绿',
        '根蒂': '蜷缩',
        '敲声': '浊响',
        '纹理': '清晰',
        '脐部': '凹陷',
        '触感': '硬滑',
        '密度': 0.697,
        '含糖率': 0.460,
    }


    return dataset, features_info, label_names, target

计算连续属性的概率密度

def calNormalDistribution(x_value, var_value, mean_value):
    '''
    用于计算连续属性的概率
    :param x_value: 目标特征值
    :param var_value: C类样本在第i个属性上的方差
    :param mean_value: C类样本在第i个属性上的均值
    :return: 概率结果
    '''
    return math.exp(-(x_value - mean_value) ** 2 / (2*(var_value**2))) / (math.sqrt(2*math.pi) * var_value)

class NativeBayesModel(object):
    def __init__(
            self,
            dataset: pd.DataFrame,
            features_info: dict,
            label_names: str,
    ):
        '''
        获取训练数据
        :param features_info: 数据的特征值的列名
        :param label_names: 数据的标签值的列名
        '''
        self.features_info = features_info
        self.label_names = label_names

        # 类先验概率
        self.prior_prob = {}
        # 证据因子
        self.evidence_prob = {}
        # 类条件概率
        self.class_conditional_prob = {}
        # 给证据因子初始化
        for ifeature in features_info:
            self.evidence_prob[ifeature] = {}

        # 对dataset特征和标签进行统计
        self.features_stat, self.label_stat = self.getStatistic(dataset)

    def getStatistic(self, dataset: pd.DataFrame):
        '''
        对每一类进行统计，存储于label_stat 和 features_stat 中
        :param features_names: 数据的特征值的列名
        :param label_names: 数据的标签值的列名
        :return: 特征值和标签值的统计结果
        '''
        # 数据特征值的列名
        features_name = [ifeature for ifeature in self.features_info.keys()]
        features = dataset[features_name]
        # 数据标签值的列名
        labels = dataset[self.label_names]

        # 把统计的结果转化成字典形式
        label_stat = dict(labels.value_counts())

        features_stat = {}
        # 按照特征把统计的结果转化成字典形式
        for ifeature in self.features_info.keys():
            features_stat[ifeature] = dict(features[ifeature].value_counts())
        return features_stat, label_stat

    def getPriorProb(self, dataset_nums: int, regular=False):
        '''
        计算先验概率（类概率）
        :param label_stat: 标签的统计结果
        :param regular: 是否需要拉普拉斯修正标志
        :return:
        '''
        # 如果不用拉普拉斯修正
        if regular is False:
            for iclass, counts in self.label_stat.items():
                self.prior_prob[iclass] = counts / dataset_nums
        else:
            for iclass, counts in self.label_stat.items():
                self.prior_prob[iclass] = (counts+1) / (dataset_nums+len(self.label_stat))


    def getEvidenceProb(self, dataset_nums: int):
        '''
        计算证据因子，虽然对最后类标签的选择没啥卵用
        :param features_stat: 特征的统计结果
        :return:
        '''
        for ifeature in self.features_info.keys():
            for ifeature_name, counts in self.features_stat[ifeature].items():
                self.evidence_prob[ifeature][ifeature_name] = counts / dataset_nums

    def getConditionData(self, dataset: pd.DataFrame):
        '''
        根据目标值，筛选数据
        :param dataset:
        :return: 筛选依据（标签值）筛选后的数据
        '''
        new_dataset = {}
        for iclass in self.label_stat:
            # 类条件概率初始化
            self.class_conditional_prob[iclass] = {}
            # 按照类划分数据集
            new_dataset[iclass] = dataset[dataset[self.label_names] == iclass]
        return new_dataset

    def getClassConditionalProb(self, dataset, target, iclass, regular=False):
        '''
        计算类条件概率：P(feature_i = ifeature | class = iclass)
        :param dataset: 仅包含第iclass 类的子数据集
        :param target:  目标数据的特征值，字典形式
        :param iclass:  类中的标签
        :param regular: 是否需要拉普拉斯修正标志
        :return: 计算结果为
        {
            class : {
                feature_name: {
                    features
                }
            }
        }
        '''
        for target_feature_name, target_feature in target.items():
            # 初始化类条件概率，按照“类-特征列名-特征变量名”结构存储
            if target_feature_name not in self.class_conditional_prob[iclass]:
                self.class_conditional_prob[iclass][target_feature_name] = {}

            if target_feature not in self.class_conditional_prob[iclass][target_feature_name]:
                self.class_conditional_prob[iclass][target_feature_name][target_feature] = {}

            # 判断该特征是连续的还是离散的
            if self.features_info[target_feature_name] == 'dispersed':
                # 筛选数据集
                condition_dataset = dataset[dataset[target_feature_name] == target_feature]
                # 如果使用拉普拉斯修正
                if regular is False:
                    prob = condition_dataset.shape[0] / dataset.shape[0]
                else:
                    prob = (condition_dataset.shape[0]+1) / (dataset.shape[0]+len(self.features_stat[target_feature_name]))
            # 如果该特这是连续的
            else:
                x_value = target_feature
                var_value = dataset[target_feature_name].var()
                mean_value = dataset[target_feature_name].mean()
                prob = calNormalDistribution(x_value, var_value, mean_value)
            self.class_conditional_prob[iclass][target_feature_name][target_feature] = prob

    def getPredictClass(self, target):
        # 计算类别
        max_prob = 0
        predict_class = None
        for iclass in self.label_stat:
            prob = nb.prior_prob[iclass]
            for target_feature_name, target_feature in target.items():
                prob *= nb.class_conditional_prob[iclass][target_feature_name][target_feature]
            print('label', iclass, '\'s probability is:', prob)
            if prob > max_prob:
                predict_class = iclass
                max_prob = prob
        return predict_class

函数调用

if __name__ == '__main__':
    import pandas as pd
    import math
    # 是否需要拉普拉斯修正
    regular_state = False
    dataset, features_info, label_names, target = getData()
    dataset_nums = dataset.shape[0]

    nb = NativeBayesModel(dataset, features_info, label_names)


    # 计算先验概率
    nb.getPriorProb(dataset_nums, regular=regular_state)
    # 计算证据因子
    nb.getEvidenceProb(dataset_nums)
    # 将数据集按照类标签划分为多个只包含一类标签的数据集
    subDataset = nb.getConditionData(dataset)
    # 依次计算每类标签的条件概率
    for iclass, subdata in subDataset.items():
        nb.getClassConditionalProb(subdata, target, iclass, regular=regular_state)

    predict_class = nb.getPredictClass(target)
    print('predict label is :', predict_class)
    print('==============prior prob===================')
    print(nb.prior_prob)
    print('==============ClassConditionalProb===================')
    print(nb.class_conditional_prob)

实例

怎样写一个拼写检查器

参考

《统计学习方法》——李航
《机器学习》——周志华
贝叶斯通俗易懂推导

EntropyPlus

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
概率图模型基础(5)——朴素贝叶斯

朴素贝叶斯-基础1. 贝叶斯的知识导图2. 几个通俗易懂的例子3. 正儿八经的看一看：贝叶斯分类器3.1 贝叶斯定理3.2 贝叶斯决策论3.3 贝叶斯的计算方法3.4 这跟极大似然估计有什么关系？3.4.1 极大似然估计3.4.2 对数似然3.5 灵魂拷问3.5.1 为什么要假设满足“属性条件独立假设”3.5.2 要是出现了未知特征怎么办？4.pyhton代码实现实例参考1. 贝叶斯的知识导图...
复制链接

扫一扫

专栏目录