初步理解一下:对于一组输入,根据这个输入,输出有多种可能性,需要计算每一种输出的可能性,以可能性最大的那个输出作为这个输入对应的输出。
那么,如何来解决这个问题呢?
贝叶斯给出了另一个思路。根据历史记录来进行判断。
思路是这样的:
1、根据贝叶斯公式:P(输出|输入)=P(输入|输出)*P(输出)/P(输入)
2、P(输入)=历史数据中,某个输入占所有样本的比例;
3、P(输出)=历史数据中,某个输出占所有样本的比例;
4、P(输入|输出)=历史数据中,某个输入,在某个输出的数量占所有样本的比例,例如:30岁,男性,中午吃面条,其中【30岁,男性就是输入】,【中午吃面条】就是输出。
一、条件概率的定义与贝叶斯公式
二、朴素贝叶斯分类算法
朴素贝叶斯是一种有监督的分类算法,可以进行二分类,或者多分类。一个数据集实例如下图所示:
现在有一个新的样本, X = (年龄:<=30, 收入:中, 是否学生:是, 信誉:中),目标是利用朴素贝叶斯分类来进行分类。假设类别为C(c1=是 或 c2=否),那么我们的目标是求出P(c1|X)和P(c2|X),比较谁更大,那么就将X分为某个类。
下面,公式化朴素贝叶斯的分类过程。
三、实例
下面,将下面这个数据集作为训练集,对新的样本X = (年龄:<=30, 收入:中, 是否学生:是, 信誉:中) 作为测试样本,进行分类。
我们可以将这个实例中的描述属性和类别属性,与公式对应起来,然后计算。
参考python实现代码
#coding:utf-8#极大似然估计 朴素贝叶斯算法
importpandas as pdimportnumpy as npclassNaiveBayes(object):defgetTrainSet(self):
dataSet= pd.read_csv('F://aaa.csv')
dataSetNP= np.array(dataSet) #将数据由dataframe类型转换为数组类型
trainData = dataSetNP[:,0:dataSetNP.shape[1]-1] #训练数据x1,x2
labels = dataSetNP[:,dataSetNP.shape[1]-1] #训练数据所对应的所属类型Y
returntrainData, labelsdefclassify(self, trainData, labels, features):#求labels中每个label的先验概率
labels = list(labels) #转换为list类型
labelset =set(labels)
P_y= {} #存入label的概率
for label inlabelset:
P_y[label]= labels.count(label)/float(len(labels)) #p = count(y) / count(Y)
print(label,P_y[label])#求label与feature同时发生的概率
P_xy ={}for y inP_y.keys():
y_index= [i for i, label in enumerate(labels) if label == y] #labels中出现y值的所有数值的下标索引
for j in range(len(features)): #features[0] 在trainData[:,0]中出现的值的所有下标索引
x_index = [i for i, feature in enumerate(trainData[:,j]) if feature ==features[j]]
xy_count= len(set(x_index) & set(y_index)) #set(x_index)&set(y_index)列出两个表相同的元素
pkey = str(features[j]) + '*' +str(y)
P_xy[pkey]= xy_count /float(len(labels))print(pkey,P_xy[pkey])#求条件概率
P ={}for y inP_y.keys():for x infeatures:
pkey= str(x) + '|' +str(y)
P[pkey]= P_xy[str(x)+'*'+str(y)] / float(P_y[y]) #P[X1/Y] = P[X1Y]/P[Y]
print(pkey,P[pkey])#求[2,'S']所属类别
F = {} #[2,'S']属于各个类别的概率
for y inP_y:
F[y]=P_y[y]for x infeatures:
F[y]= F[y]*P[str(x)+'|'+str(y)] #P[y/X] = P[X/y]*P[y]/P[X],分母相等,比较分子即可,所以有F=P[X/y]*P[y]=P[x1/Y]*P[x2/Y]*P[y]
print(str(x),str(y),F[y])
features_label= max(F, key=F.get) #概率最大值对应的类别
returnfeatures_labelif __name__ == '__main__':
nb=NaiveBayes()#训练数据
trainData, labels =nb.getTrainSet()#x1,x2
features = [8]#该特征应属于哪一类
result =nb.classify(trainData, labels, features)print(features,'属于',result)
#coding:utf-8#朴素贝叶斯算法 贝叶斯估计, λ=1 K=2, S=3; λ=1 拉普拉斯平滑
importpandas as pdimportnumpy as npclassNavieBayesB(object):def __init__(self):
self.A= 1 #即λ=1
self.K = 2self.S= 3
defgetTrainSet(self):
trainSet= pd.read_csv('F://aaa.csv')
trainSetNP= np.array(trainSet) #由dataframe类型转换为数组类型
trainData = trainSetNP[:,0:trainSetNP.shape[1]-1] #训练数据x1,x2
labels = trainSetNP[:,trainSetNP.shape[1]-1] #训练数据所对应的所属类型Y
returntrainData, labelsdefclassify(self, trainData, labels, features):
labels= list(labels) #转换为list类型
#求先验概率
P_y ={}for label inlabels:
P_y[label]= (labels.count(label) + self.A) / float(len(labels) + self.K*self.A)#求条件概率
P ={}for y inP_y.keys():
y_index= [i for i, label in enumerate(labels) if label == y] #y在labels中的所有下标
y_count = labels.count(y) #y在labels中出现的次数
for j inrange(len(features)):
pkey= str(features[j]) + '|' +str(y)
x_index= [i for i, x in enumerate(trainData[:,j]) if x == features[j]] #x在trainData[:,j]中的所有下标
xy_count = len(set(x_index) & set(y_index)) #x y同时出现的次数
P[pkey] = (xy_count + self.A) / float(y_count + self.S*self.A) #条件概率
#features所属类
F ={}for y inP_y.keys():
F[y]=P_y[y]for x infeatures:
F[y]= F[y] * P[str(x)+'|'+str(y)]
features_y= max(F, key=F.get) #概率最大值对应的类别
returnfeatures_yif __name__ == '__main__':
nb=NavieBayesB()#训练数据
trainData, labels =nb.getTrainSet()#x1,x2
features = [10]#该特征应属于哪一类
result =nb.classify(trainData, labels, features)print(features,'属于',result)
参考链接:
https://blog.csdn.net/ten_sory/article/details/81237169