1. 算法概述

贝叶斯分类基于贝叶斯公式，通过已知样本信息来计算未知样本属于各个类别的概率，然后选择概率最大的类别作为未知样本的分类结果。

贝叶斯公式 的简化公式： $P ( A ∣ B ) = P ( B ∣ A ) P ( A ) P ( B ) P(A|B) = \frac{P(B|A)P(A)}{P(B)}$ P(A∣B)=P(B)P(B∣A)P(A)

其中：

$P ( A ) P(A)$ P(A)：事件A发生的概率
$P ( B ) P(B)$ P(B)：事件A发生的概率
$P ( A ∣ B ) P(A|B)$ P(A∣B)：在事件B出现的前提下，A发生的概率
$P ( B ∣ A ) P(B|A)$ P(B∣A)：在事件A出现的前提下，B发生的概率

贝叶斯分类 就是基于这个公式扩展而来。

比如，一个具有 $n n$ n个特征的样本 $x = ( x 1 , x 2 , . . . , x n ) x = (x_1, x_2, ..., x_n)$ x=(x1,x2,...,xn)，该样本属于K个可能的类别 $y 1 , y 2 , . . . , y k y_1,y_2,...,y_k$ y1,y2,...,yk。

那么，任一个样本 $x x$ x属于某个类别 $y k y_k$ yk的概率为： $P ( y k ∣ x ) = P ( X ∣ y k ) P ( y k ) P ( x ) P(y_k|x) = \frac{P(X|y_k)P(y_k)}{P(x)}$ P(yk∣x)=P(x)P(X∣yk)P(yk)

根据这个模型，训练样本之后，就可以根据模型来预测某个样本属于哪个类别的概率最大。

这里讨论的贝叶斯分类算法，并没有考虑特征之间的关联关系，我们假设每个特征之间是相互独立的。

所以，这个算法也叫做朴素贝叶斯分类。

2. 创建样本数据

贝叶斯分类可以

这次用scikit-learn中的样本生成器make_classification来生成分类用的样本数据。

python 复制代码

import matplotlib.pyplot as plt
from sklearn.datasets import make_classification

# 分类数据的样本生成器
X, y= make_classification(n_samples=1000, n_classes=4, n_informative=3)
plt.scatter(X[:, 0], X[:, 1], marker="o", c=y, s=25)

plt.show()

关于样本生成器 的详细内容，请参考：sklearn基础--『数据加载』之样本生成器

3. 模型训练

训练之前，为了减少算法误差，先对数据进行标准化 处理（将数据缩放到0~100之间）。

python 复制代码

from sklearn import preprocessing as pp

# 数据标准化
X = pp.minmax_scale(X, feature_range=(1, 100))
y = pp.minmax_scale(y, feature_range=(1, 100))

然后，分割训练集 和测试集。

python 复制代码

from sklearn.model_selection import train_test_split

# 分割训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

按照8:2的比例来划分训练集和测试集。

scikit-learn中的朴素贝叶斯算法支持多种不同的分类器，

这些分类器基于不同的先验概率分布，适用于不同的数据类型和问题场景。

我们训练模型的时候要根据数据情况选择合适的分类器。

python 复制代码

from sklearn.naive_bayes import (
    GaussianNB,
    MultinomialNB,
    ComplementNB,
    BernoulliNB,
    CategoricalNB,
)

reg_names = [
    "高斯朴素贝叶斯",
    "多项式朴素贝叶斯",
    "补码朴素贝叶斯",
    "伯努利朴素贝叶斯",
    "分类朴素贝叶斯",
]

# 定义
regs = [
    GaussianNB(),
    MultinomialNB(),
    ComplementNB(),
    BernoulliNB(),
    CategoricalNB(min_categories=101),
]

# 训练模型
for reg in regs:
    reg.fit(X_train, y_train)

各个分类器的简要说明：

GaussianNB：基于高斯分布的朴素贝叶斯分类器。它假设每个特征服从高斯分布，即正态分布。这种分类器适用于连续型数据，特别是对于数值型特征。
MultinomialNB：基于多项式分布的朴素贝叶斯分类器。它假设每个特征服从多项式分布，适用于离散型数据，特别是对于类别型特征。
ComplementNB：基于互补分布的朴素贝叶斯分类器。它适用于离散型数据，特别是对于二元分类问题。
BernoulliNB：基于伯努利分布的朴素贝叶斯分类器。它适用于二元分类问题，特别是对于二元特征或者二元输出。
CategoricalNB：基于分类分布的朴素贝叶斯分类器。它适用于离散型数据，特别是对于类别型特征。

最后验证各个分类器的模型的训练效果：

python 复制代码

# 在测试集上进行预测
y_preds = []
for reg in regs:
    y_pred = reg.predict(X_test)
    y_preds.append(y_pred)

for i in range(len(y_preds)):
    correct_pred = np.sum(y_preds[i] == y_test)
    print("【{}】 预测正确率：{:.2f}%".format(reg_names[i],
                                      correct_pred / len(y_pred) * 100))

# 运行结果
【高斯朴素贝叶斯】 预测正确率：82.50%
【多项式朴素贝叶斯】 预测正确率：75.00%
【补码朴素贝叶斯】 预测正确率：72.50%
【伯努利朴素贝叶斯】 预测正确率：22.00%
【分类朴素贝叶斯】 预测正确率：50.50%

这里虽然高斯朴素贝叶斯 分类器的正确率最高，但不能就认为这种分类器是最好的。

只能说明高斯朴素贝叶斯 分类器最适合 分类上面随机生成的样本数据。

换成其他的样本数据，高斯朴素贝叶斯分类器的正确率就不一定是最高的了。

4. 总结

总的来说，贝叶斯分类 是一种有效的分类方法，适用于对未知样本进行分类的问题。

它的应用范围广泛，可以处理多分类问题，也可以用于连续变量的分类。

贝叶斯分类算法的主要优势在于：

是一种概率模型，可以给出分类结果的概率，因此更加可靠和稳定。
可以处理多分类问题 ，也可以用于连续变量的分类。
实现相对简单，可以在较短的时间内训练出模型并进行预测。

贝叶斯分类算法也有其不足之处：

假设所有特征之间相互独立，但在实际应用中这个假设往往不成立，因此会影响分类结果的准确性。
对于大规模的数据集，训练时间和预测时间可能会较长。
对于数据的缺失和异常值处理不够鲁棒，可能会对分类结果产生影响。

sklearn基础--『监督学习』之贝叶斯分类

1. 算法概述

2. 创建样本数据

3. 模型训练

4. 总结