贝叶斯分类器详解

tt丫

已于 2022-09-02 18:11:28 修改

阅读量3.3k

点赞数 1

分类专栏：机器学习文章标签：机器学习数据挖掘人工智能贝叶斯分类

于 2022-09-02 17:59:47 首次发布

本文链接：https://blog.csdn.net/weixin_55073640/article/details/125900284

版权

机器学习专栏收录该内容

22 篇文章 35 订阅

订阅专栏

入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。

一、数学基础

1、贝叶斯决策论

（1）先验概率和后验概率

先验概率：根据以往经验和分析得到的概率；

后验概率：事情已经发生，要求这件事情发生的原因是由某个因素引起的可能性的大小（即根据观察到的样本修正之后的概率值）。

（2）贝叶斯定理

用途：为了解决“逆概率”问题，它可以根据过去的数据来预测出概率，在有限的信息下，预测概率。

$P\left(B_{i} \mid A\right)=\frac{P\left(B_{i}\right) P\left(A \mid B_{i}\right)}{P(A)}=\frac{P\left(B_{i}\right) P\left(A \mid B_{i}\right)}{\sum_{j=1}^{n} P\left(B_{j}\right) P\left(A \mid B_{j}\right)}$

P(B)：先验概率，即在不知道A事件的前提下，我们对B事件概率的一个主观判断。

P(A|B)/P(A)：可能性函数，即调整因子，即新信息A带来的调整，使得其与先验概率相乘后得到的概率更接近真实概率。

比如说，我们现在有个特征，想知道出现这种特征的对象是这种类别的概率，即：

$P(\text { category } \mid \text { features })=\frac{P(\text { features} \mid \text{category }) P(\text { category })}{P(\text { features })}$

2、极大似然估计

（1）基本思路

首先假定数据具有某种确定的概率分布（所有的采样都是独立同分布的），但是其参数未知，然后基于训练样本对该概率分布的参数进行估计，得到最合适的参数。

（2）公式推导

设 $D_{c}$ 为训练集中第c类样本组合而成的集合； $\theta_{c}$ 为假设样本分布的某种概率分布的参数向量；x为 $D_{c}$ 中的某一样本，则目标为：

$P(D_{c} \mid \theta_{c})= \prod_{x\epsilon D_{c}}^{} P(x \mid \theta_{c})$

找出合适的 $\theta_{c}$ 使得上述式子能得到最大值（即找到合适的参数使得更多的样本满足这样的分布）。

但是上述式子容易造成下溢（突破最小极限），所以通常又引入对数似然

$LL(\theta_{c}) = log(P(D_{c} \mid \theta_{c}))= \sum_{x\epsilon D_{c}}^{}log(P(x \mid \theta_{c}))$

于是最终的目标式化为： $argmax LL(\theta_{c})$

（3）常见假设——正态分布

解得：（其中n为 $D_{c}$ 的总数）

$\mu^{*}=\bar{x}=\frac{1}{n} \sum_{i=1}^{n} x_{i}$ ； $\sigma^{* 2}=\frac{1}{n} \sum_{i=1}^{n}\left(x_{i}-\bar{x}\right)^{2}$

二、朴素贝叶斯分类器

朴素贝叶斯分类器假设所有属性相互独立。

1、符号设定

设样本属性集合为 $x=\left\{x_{1}, x_{2}, \ldots, x_{m}\right\}$ （ n 为属性数目）， $x_{i}$ 为样本x在第i属性上的取值；

样本类别集合为 $\left\{y_{1}, y_{2}, \ldots, y_{m}\right\}$

2、后验概率的计算

“所有属性相互独立”才有下式的第二步

$P\left(y_{j} \mid x\right)=\frac{P\left(y_{j}\right) P\left(x \mid y_{i}\right)}{P(x)}=\frac{P\left(y_{j}\right) \prod_{i=1}^{n} P\left(x_{i} \mid y_{j}\right)}{ \operatorname{P}(x)}, j=1,2 \ldots, m$

3、极大似然法求最合适的分布参数

因为对于所有类别来说P(x)都一样，所以在求最大值时无需考虑它的影响。

所以目标式化为： $argmax(P\left(y_{j}\right) \prod_{i=1}^{n} P\left(x_{i} \mid y_{j}\right)), j=1,2 \ldots, m$

4、常见假设——正态分布

即有

$p\left(x_{i} \mid y_{j}\right)=\frac{1}{\sqrt{2 \pi} \sigma_{y_{j}, i}} \exp \left(-\frac{\left(x_{i}-\mu_{y_{j}, i}\right)^{2}}{2 \sigma_{y_{j}, i}^{2}}\right)$

5、拉普拉斯平滑

为了避免其他属性携带的信息被训练集中未出现的属性抹去，在估计概率是通常进行平滑。

$P(y_{j})=\frac{|D_{y_{j}}|+1}{|D|+N}$

三、优缺点

1、优点

（1）简单，学习效率高

（2）分类过程中时空开销小

2、缺点

受假设变量间独立与假设分布情况的影响

四、代码示例

from sklearn import metrics
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split
from sklearn import datasets
import pandas as pd
from sklearn.metrics import classification_report

data = datasets.load_iris()
iris_target = data.target
iris_features = pd.DataFrame(data=data.data, columns=data.feature_names)
train_x, test_x, train_y, test_y = train_test_split(iris_features, iris_target, test_size=0.3)

clf = GaussianNB()
clf.fit(train_x, train_y)

y_predict = clf.predict(test_x)
accuracy = metrics.accuracy_score(test_y, y_predict)

print(accuracy)
print(classification_report(test_y, y_predict))

输出

欢迎大家在评论区批评指正，谢谢~

tt丫

关注

1
点赞
踩
20

收藏

觉得还不错? 一键收藏
打赏
0
评论
贝叶斯分类器详解

目录一、数学基础1、贝叶斯决策论（1）先验概率和后验概率（2）贝叶斯定理2、极大似然估计（1）基本思路（2）公式推导（3）常见假设——正态分布二、朴素贝叶斯分类器1、符号设定2、后验概率的计算3、极大似然法求最合适的分布参数4、常见假设——正态分布5、拉普拉斯平滑三、代码示例一、数学基础1、贝叶斯决策论（1）先验概率和后验概率先验概率：根据以往经验和分析得到的概率；后验概率：事情已经发生，要求这件事情发生的原因是由某个因素引起的可能性
复制链接

扫一扫