机器学习：朴素贝叶斯(Naive Bayes) --阿里云天池

概述

• 学习地址：

1. https://tianchi.aliyun.com/specials/promotion/aicampml?invite_channel=3&accounttraceid=baca918333cb45008b70655b544a5aeadgkm
2. https://zhuanlan.zhihu.com/p/26262151
3. https://zhuanlan.zhihu.com/p/26329951
4. https://www.cnblogs.com/wj-1314/p/10560870.html

• 学习内容：机器学习算法（二）: 朴素贝叶斯(Naive Bayes)
• 问题：算法中具体参数没有深究。
• 总结：当我们在探寻问题的发生概率的时候，我们常常会忽略现实中已经存在的先验估计，最终导致错误估计一事件发生的概率。比如，一位女士在大学致力于女权活动，我们预测她毕业后会从事哪份工作。A：女权斗士； B：银行柜员。在其背景描述下，我们可能会推断她成为一名女权斗士的概率大于银行柜员。但如果我们考虑的先验分布，在这个城市女权都是和银行柜员的占比为1：2000。那么在考虑先验分布的情况下，她成为银行柜员的概率应远大于女权斗士。所以在生活中，我们也可以用贝叶斯的思想去估计事件发生的概率，考虑先验分布。

一、朴素贝叶斯算法逻辑

（一）什么是朴素贝叶斯

朴素贝叶斯法 = 贝叶斯定理 + 特征条件独立。

• 贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。而朴素朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法。
• 朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBM）。

贝叶斯公式：

换个表达形式就会明朗很多，如下：

选择后验概率最大的结果，由于分母一致，这里直接去掉分母。最后的计算公式：

（二）特征条件独立——朴素贝叶斯算法的朴素一词解释

假设需要预测一个不帅、性格不好、身高矮、不上进的男生，女生是否愿意嫁给他的概率。

• 其中只需要求解：
  p(不帅、性格不好、身高矮、不上进|嫁)
  p（不帅、性格不好、身高矮、不上进)
  p(嫁)

当计算：

p(不帅、性格不好、身高矮、不上进|嫁) = p(不帅|嫁)*p(性格不好|嫁)*p(身高矮|嫁)*p(不上进|嫁)

其成立的条件需要特征之间相互独立。

𝑃(𝐴,𝐵|𝑌)=𝑃(𝐴|𝑌)⋅𝑃(𝐵|𝑌)

• 此处需要假设特征之间相互独立的原因：

1. 四个特征的联合概率分布维度高，当特征变得非常多时，用统计来估计概率值非常困难。
2. 假如我们没有假设特征之间相互独立，那么我们统计的时候，就需要在整个特征空间中去找，比如统计p(不帅、性格不好、身高矮、不上进|嫁), 由于数据的稀疏性，很容易为0

（三）拉普拉斯平滑：

在处理具体例子中，我们常会遇到某一分类没有数据的问题，基于此引入laplace平滑。

Laplace校准（这就引出了我们的拉普拉斯平滑），它的思想非常简单，就是对每个类别下所有划分的计数加1，这样如果训练样本集数量充分大时，并不会对结果产生影响，并且解决了上述频率为0的尴尬局面。

引入拉普拉斯平滑的公式如下：


其中ajl，代表第j个特征的第l个选择，[公式]代表第j个特征的个数，K代表种类的个数。
gamma为1，这也很好理解，加入拉普拉斯平滑之后，避免了出现概率为0的情况，又保证了每个值都在0到1的范围内，又保证了最终和为1的概率性质！

（四）朴素贝叶斯分类器的优缺点

• 优点：

（1） 算法逻辑简单,易于实现，使用先验概率估计后验概率具有很好的模型的可解释性。

（2）分类过程中时空开销小

• 缺点：

（1）理论上，朴素贝叶斯分类器(Naive Bayes Classifier 或 NBC)与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为朴素贝叶斯模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，在属性个数比较多或者属性之间相关性较大时，分类效果不好。

（2）而在属性相关性较小时，朴素贝叶斯性能最为良好。对于这一点，有半朴素贝叶斯之类的算法通过考虑部分关联性适度改进。

二、算法实战

（一）莺尾花数据集–贝叶斯分类

# Step1: 库函数导入

import warnings
warnings.filterwarnings('ignore') # 利用过滤器来实现忽略告警。
import numpy as np
# 加载莺尾花数据集
from sklearn import datasets
# 导入高斯朴素贝叶斯分类器
from sklearn.naive_bayes import GaussianNB # GaussianNB就是先验为高斯分布的朴素贝叶斯
from sklearn.model_selection import train_test_split

# Step2: 数据导入&分析

X, y = datasets.load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# Step3: 模型训练

# 使用高斯朴素贝叶斯进行计算
clf = GaussianNB(var_smoothing=1e-8)
# var_smoothing: Portion of the largest variance of all features that is added to variances for calculation stability.
clf.fit(X_train, y_train)

# Step4: 模型预测
# 评估
y_pred = clf.predict(X_test)
acc = np.sum(y_test == y_pred) / X_test.shape[0]
print("Test Acc : %.3f" % acc)

# 预测
y_proba = clf.predict_proba(X_test[:1])
print(clf.predict(X_test[:1]))
print("预计的概率值:", y_proba)
'''
Test Acc : 0.967
[2]
预计的概率值: [[1.63542393e-232 2.18880483e-006 9.99997811e-001]]
'''

（二）模拟离散数据集–贝叶斯分类

# Step1: 库函数导入

import numpy as np
# 使用基于类目特征的朴素贝叶斯
from sklearn.naive_bayes import CategoricalNB 
#CategoricalNB对分类分布的数据实施分类朴素贝叶斯算法。 它假定由索引描述的每个特征都有其自己的分类分布。
from sklearn.model_selection import train_test_split


# Step2: 数据导入&分析

# 模拟数据
rng = np.random.RandomState(1) #random_state=1指的是伪随机数生成器的种子
# 随机生成600个100维的数据，每一维的特征都是[0, 4]之前的整数
X = rng.randint(5, size=(600, 100))
y = np.array([1, 2, 3, 4, 5, 6] * 100)
data = np.c_[X, y]
# X和y进行整体打散
random.shuffle(data)
X = data[:,:-1]
y = data[:, -1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)


# Step3: 模型训练&预测

clf = CategoricalNB(alpha=1)
clf.fit(X_train, y_train)
acc = clf.score(X_test, y_test)
print("Test Acc : %.3f" % acc)

# 随机数据测试，分析预测结果，贝叶斯会选择概率最大的预测结果
# 比如这里的预测结果是6，6对应的概率最大，由于我们是随机数据
# 读者运行的时候，可能会出现不一样的结果。
x = rng.randint(5, size=(1, 100))
print(clf.predict_proba(x))
print(clf.predict(x))