(一)原理
设每个数据样本用一个n维特征向量来描述n个属性的值,即:X={x1,x2,…,xn},假定有m个类,分别用C1, C2,…,Cm表示。给定一个未知的数据样本X(即没有类标号),若朴素贝叶斯分类法将未知的样本X分配给类Ci,则一定是
P(Ci|X)>P(Cj|X) 1≤j≤m,j≠i
根据贝叶斯定理有P(Ci|X)=P(X|Ci)P(Ci)/ P(X)
由于P(X)对于所有类为常数,最大化后验概率P(Ci|X)可转化为最大化先验概率P(X|Ci)P(Ci)。如果训练数据集有许多属性和元组,计算P(X|Ci)的开销可能非常大,为此,通常假设各属性的取值互相独立,这样
先验概率P(x1|Ci),P(x2|Ci),…,P(xn|Ci)可以从训练数据集求得。
(二)例子解释
(三)代码实现
from collections import defaultdict
import numpy as np
from sklearn.model_selection import train_test_split
from loguru import logger
class NaiveBayesScratch():
"""朴素贝叶斯算法Scratch实现"""
def __init__(self):
// 存储先验概率,即类别为ck的概率 P(Y=ck)
self._prior_prob = defaultdict(float)
// 存储似然概率 P(X|Y=ck)
self._likelihood = defaultdict(defaultdict)
// 存储每个类别的样本在训练集中出现次数
self._ck_counter = defaultdict(float)
// 存储每一个特征可能取值的个数
self._Sj = defaultdict(float)
def fit(self, X, y):
"""
模型训练,参数估计使用贝叶斯估计
X:
训练集,每一行表示一个样本,每一列表示一个特征或属性
y:
训练集标签
"""
//样本个数和特征个数
n_sample, n_feature = X.shape
// 计算每个类别可能的取值以及每个类别样本个数
ck, num_ck = np.unique(y, return_counts=True)
//每个类别出现的次数
self._ck_counter = dict(zip(ck, num_ck))
//遍历每个类别出现的次数,然后计算先验概率
for label, num_label in self._ck_counter.items():
// 计算先验概率(每个类别出现的概率),做了拉普拉斯平滑处理
self._prior_prob[label] = (num_label + 1) / (n_sample + ck.shape[0])
//记录每个类别样本对应的索引
ck_idx = []
for label in ck:
label_idx = np.squeeze(np.argwhere(y == label))
ck_idx.append(label_idx)
// 遍历每个类别,idx为label对应的索引
for label, idx in zip(ck, ck_idx):
//得到对应label的样本
xdata = X[idx]
// 记录该类别所有特征对应的概率
label_likelihood = defaultdict(defaultdict)
// 遍历每个特征
for i in range(n_feature):
// 记录该特征每个取值对应的概率
feature_val_prob = defaultdict(float)
// 获取该列特征可能的取值和每个取值出现的次数
feature_val, feature_cnt = np.unique(xdata[:, i], return_counts=True)
//第i维特征可能的取值的个数
self._Sj[i] = feature_val.shape[0]
feature_counter = dict(zip(feature_val, feature_cnt))
//遍历每一个特征取值和取值的个数
for fea_val, cnt in feature_counter.items():
// 计算该列特征每个取值的概率,做了拉普拉斯平滑
feature_val_prob[fea_val] = (cnt + 1) / (self._ck_counter[label] + self._Sj[i])
//把每一个特征的取值和取值的概率存储到对应的特征中
label_likelihood[i] = feature_val_prob
//把每一个类别的每一个特征取值的概率存储到对应的类别中(似然概率)
self._likelihood[label] = label_likelihood
def predict(self, x):
"""
输入样本,输出其类别,本质上是计算后验概率
**注意计算后验概率的时候对概率取对数**,概率连乘可能导致浮点数下溢,取对数将连乘转化为求和
"""
// 保存分类到每个类别的后验概率
post_prob = defaultdict(float)
// 遍历每个类别计算后验概率
for label, label_likelihood in self._likelihood.items():
prob = np.log(self._prior_prob[label])
// 遍历样本每一维特征
for i, fea_val in enumerate(x):
feature_val_prob = label_likelihood[i]
// 如果该特征值出现在训练集中则直接获取概率
if fea_val in feature_val_prob:
prob += np.log(feature_val_prob[fea_val])
else:
// 如果该特征没有出现在训练集中则采用拉普拉斯平滑计算概率
laplace_prob = 1 / (self._ck_counter[label] + self._Sj[i])
prob += np.log(laplace_prob)
post_prob[label] = prob
prob_list = list(post_prob.items())
prob_list.sort(key=lambda v: v[1], reverse=True)
// 返回后验概率最大的类别作为预测类别
return prob_list[0][0]
def file2matrix(filename):
fr = open(filename)
arrayOLines = fr.readlines()
numberOfLines = len(arrayOLines)
returnMat = np.zeros((numberOfLines,4))
classLabelVector = []
index = 0
for line in arrayOLines:
line = line.strip()
listFromLine = line.split(',')
returnMat[index, :] = listFromLine[0:4]
if listFromLine[-1] == 'Iris-setosa':
classLabelVector.append(1)
elif listFromLine[-1] == 'Iris-versicolor':
classLabelVector.append(2)
elif listFromLine[-1] == 'Iris-virginica':
classLabelVector.append(3)
index += 1
return returnMat, classLabelVector
def main():
filename='../datanotdill/Iris.csv'
X, y = file2matrix(filename)
xtrain, xtest, ytrain, ytest = train_test_split(X, y, train_size=0.8, shuffle=True)
model = NaiveBayesScratch()
model.fit(xtrain, ytrain)
n_test = xtest.shape[0]
n_right = 0
for i in range(n_test):
y_pred = model.predict(xtest[i])
if y_pred == ytest[i]:
n_right += 1
else:
logger.info("该样本真实标签为:{},但是Scratch模型预测标签为:{}".format(ytest[i], y_pred))
logger.info("Scratch模型在测试集上的准确率为:{}%".format(n_right * 100 / n_test))
if __name__ == "__main__":
main()