监督学习算法——朴素贝叶斯分类器

朴素贝叶斯分类器

朴素贝叶斯分类器是与之前的线性模型非常相似的一种分类器，但它的训练速度要更快一点。但它的泛化能力要比线性分类器稍差。
朴素贝叶斯模型如此高效的原因在于，它通常单独查看每个特征来学习参数，并从每个特征中收集简单的类别统计书记。scikit-learn中实现了三种朴素贝叶斯分类器：GaussianNB、BernoulliNB和MultinomialNB。GaussianNB可应用于任意连续数据，而BernoulliNB假定输入数据为二分类数据，MultinomialNB假定输入数据为计数数据。BernoulliNB和MultinomialNB主要用于文本数据分类。
BernoulliNB分类器计算每个类别中每个特征不为0的元素个数。

X = np.array([[0, 1, 0, 1],
              [1, 0, 1, 1],
              [0, 0, 0, 1],
              [1, 0, 1, 0]])
y = np.array([0, 1, 0, 1])

这里有四个数据点，每个数据点有4个二分类特征。一共有两个类别：0和1。类别0（第1，3个数据点），第一个特征有2个为零，0个不为零，第二个特征有1个为零、1个不为零，以此类推。然后对类别1中的数据点计算相同的计数。计算每个类别中的非零元素个数：

counts = {}
for label in np.unique(y):
    counts[label] = X[y == label].sum(axis=0)
print("Feature counts:\n", counts)

Feature counts:
 {0: array([0, 1, 0, 2]), 1: array([2, 0, 2, 1])}

优点、缺点和参数
MultinomialNB和BernoulliNB都只有一个参数 alpha,用于控制模型复杂度。alpha 的工作
原理是，算法向数据中添加alpha这么多的虚拟数据点，这些点对所有特征都取正值。这
可以将统计数据“平滑化”(smoothing)。 alpha 越大，平滑化越强，模型复杂度就越低。
算法性能对alpha值的鲁棒性相对较好，也就是说，alpha 值对模型性能并不重要。但调
整这个参数通常都会使精度略有提高。
GaussianNB主要用于高维数据，而另外两种朴素贝叶斯模型则广泛用于稀疏计数数据，比
如文本。MultinomiaLNB 的性能通常要优于BernoulliNB,特别是在包含很多非零特征的数
据集(即大型文档)上。
朴素贝叶斯模型的许多优点和缺点都与线性模型相同。它的训练和预测速度都很快，训练
过程也很容易理解。该模型对高维稀疏数据的效果很好，对参数的鲁棒性也相对较好。朴
类见叶斯模型是很好的基准模型，常用于非常大的数据集，在这些数据集上即使训练线性
模型可能也要花费大量时间。