【机器学习】8 ——朴素贝叶斯

机器学习 8 ------朴素贝叶斯

特征条件独立假设
朴素是指每个特征独立地影响结果，整个假设在实际应用中不成立，主要是思想

输入输出的来拟合概率分布，贝叶斯定理，后验概率最大

---

文章目录

• [机器学习 8 ------朴素贝叶斯](#机器学习 8 ——朴素贝叶斯)
• 前言
• • 贝叶斯定理
  • 先验概率和后验概率
  • • 一、先验概率
    • 二、后验概率
    • 例子
  • 算法思想
• 一、算法
• 二、参数估计（先验概率、条件概率）
• • 先验概率（类参数）
  • 条件概率
  • • 离散
    • 连续------高斯分布估计
• 代码
• • 模拟
  • 直接调用_准确率非常不准确

---

前言

贝叶斯定理

该定理描述了在已知条件概率的情况下，如何计算两个事件联合发生的概率。

对于分类问题，我们假设每个数据点X属于类别Ck的概率，可以通过下面的贝叶斯公式来计算：

先验概率和后验概率

一、先验概率

先验概率是指在考虑任何观测数据之前，对某个事件发生的概率的主观估计或基于以往 经验和知识------历史数据 的概率。

• 通常是在事件发生之前，对事件可能性的预测或估计。在贝叶斯统计推断中，先验概率分布是在考虑任何相关证据之前，对某一数量或命题的置信程度的概率分布。
• 主要基于历史数据、专家经验或主观判断
• 计算后验概率的起点和基础。

例如，在抛硬币的实验中，如果我们在没有进行任何抛硬币的操作之前，根据以往对硬币的认知，认为正面朝上和反面朝上的概率各为 50%，这个 50% 就是先验概率。

二、后验概率

后验概率是得到"结果"的信息后，对原先概率的重新修正。它是基于先验概率和观测数据通过贝叶斯定理计算得到的。

• 在贝叶斯公式中，后验概率是似然函数与先验概率的乘积，再除以一个标准化常量（即全概率）。
• 基于先验概率和新观察数据的结合

例如，假设我们进行了一系列抛硬币的实验，观察到在多次抛硬币中正面朝上的次数较多，那么根据这些观测数据，我们可以重新计算正面朝上的概率，这个经过观测数据修正后的概率就是后验概率。

例子

任务：将电子邮件分为"垃圾邮件"和"非垃圾邮件"两类。

计算先验概率：

在没有考虑邮件内容之前，我们需要知道邮件是垃圾邮件或非垃圾邮件的先验概率。这通常基于训练数据集中各类别的样本比例。

假设训练数据集中有1000封邮件，其中500封是垃圾邮件，500封是非垃圾邮件。那么，一封邮件是垃圾邮件的先验概率 P(y=垃圾邮件) 就是0.5，非垃圾邮件的先验概率 P(y=非垃圾邮件) 也是0.5。
计算条件概率（似然概率）：

对于每个特征（在这里是邮件中的每个单词），我们需要计算在给定类别下该特征出现的条件概率。

例如，假设单词"促销"在垃圾邮件中出现的频率很高，在非垃圾邮件中很少出现。我们可以计算 P(x=促销∣y=垃圾邮件) 和 P(x=促销∣y=非垃圾邮件)。

应用贝叶斯定理：

对于新的邮件，我们需要计算它属于每个类别的后验概率。

使用贝叶斯公式：P(y∣x)=P(x∣y)×P(y)/ P(x)

​

在这里，P(y∣x) 是后验概率（邮件在给定特征下的类别概率），P(x∣y) 是条件概率（在给定类别下特征出现的概率），P(y) 是先验概率，P(x) 是观测到的特征的边缘概率（通常作为常数，因为对所有类别都相同）。

实际上，只需要比较不同类别的后验概率，所以常常可以省略 P(x) 的计算，因为它对所有类别都是一样的。

分类：

选择具有最高后验概率的类别作为邮件的分类结果。

算法思想

通过给定训练集，学习输入输出的联合概率分布P(x,y)

具体学习方法：

1. 学习先验概率分布： P ( Y = c k ) , c k P(Y=c_{k} ),c_{k} P(Y=ck),ck是实例类别
2. 学习条件概率分布：
   P ( X = x ∣ Y = c k ) = P ( X 1 = x 1 , X 2 = x 2 , . . . , X n = x n ∣ Y = c k ) P(X=x|Y=c_{k} )=P(X^{1}=x^{1} ,X^{2}=x^{2},...,X^{n}=x^{n}|Y=c_{k}) P(X=x∣Y=ck)=P(X1=x1,X2=x2,...,Xn=xn∣Y=ck)
   n是实例的维数
3. P ( X , Y ) = P ( X = x ∣ Y = c k ) P ( Y = c k ) P(X,Y)=P(X=x|Y=c_{k} )P(Y=c_{k}) P(X,Y)=P(X=x∣Y=ck)P(Y=ck)

但条件概率的估计很难，特别是当x有多个特征，所以有了独立性假设
P ( X = x ∣ Y = c k ) = P ( X 1 = x 1 ∣ Y = c k ) P ( X 2 = x 2 ∣ Y = c k ) ⋅ ⋅ ⋅ P ( X n = x n ∣ Y = c k ) P(X=x|Y=c_{k} )=P(X^{1}=x^{1}|Y=c_{k}) P(X^{2}=x^{2}|Y=c_{k})\cdot \cdot \cdot P(X^{n}=x^{n}|Y=c_{k}) P(X=x∣Y=ck)=P(X1=x1∣Y=ck)P(X2=x2∣Y=ck)⋅⋅⋅P(Xn=xn∣Y=ck)

---

一、算法

实例的类别是：后验概率最大的类

给定输入x

二、参数估计（先验概率、条件概率）

先验概率（类参数）

就是频率近似概率

例如，有 100 个样本，其中属于类别 c 的有 30 个，那么类别c的先验概率就是 30/100 = 0.3。

条件概率

在已知某个特征的情况下，属于某个类别的概率。概率分布估计其实很多算法都要用到，有很多方法，在之后的算法里慢慢学

离散

例如

对于一个二分类问题，类别为 C1 和 C2，特征x有两个取值 a1 和 a2。

在类别 C1 中，特征 A 取值为 a1 的样本有 20 个，类别 C1 的总样本数量为 50。

那么在类别 C1 下，特征 A 取值为 a1 的条件概率就是 20/50 = 0.4。

连续------高斯分布估计

---

代码

模拟

import numpy as np

# 定义朴素贝叶斯分类器类
class NaiveBayes:
    def __init__(self):
        # 初始化先验概率为 None
        self.priors = None
        # 初始化似然概率为 None
        self.likelihoods = None

    def fit(self, X, y):
        n_samples, n_features = X.shape
        # 获取数据集中的不同类别
        self.classes = np.unique(y)
        n_classes = len(self.classes)

        # 计算先验概率
        self.priors = np.zeros(n_classes)
        for c in self.classes:
            # 计算属于每个类别的样本数量占总样本数量的比例，作为先验概率
            self.priors[c] = np.sum(y == c) / n_samples

        # 计算似然概率
        self.likelihoods = np.zeros((n_classes, n_features))
        for c in self.classes:
            X_c = X[y == c]
            for feature_idx in range(n_features):
                # 计算每个特征在每个类别下的均值，作为似然概率
                self.likelihoods[c, feature_idx] = np.mean(X_c[:, feature_idx])

    def predict(self, X):
        n_samples = X.shape[0]
        # 存储每个样本在不同类别下的后验概率
        posteriors = np.zeros((n_samples, len(self.classes)))

        for i, sample in enumerate(X):
            for c in self.classes:
                prior = self.priors[c]
                likelihood = np.prod(self.likelihoods[c]**sample * (1 - self.likelihoods[c])**(1 - sample))
                # 计算后验概率，即先验概率乘以似然概率
                posteriors[i, c] = prior * likelihood

        # 返回后验概率最大的类别作为预测结果
        return np.argmax(posteriors, axis=1)

    def accuracy(self, X, y):
        y_pred = self.predict(X)
        # 计算预测正确的样本数量占总样本数量的比例，作为准确率
        return np.sum(y_pred == y) / len(y)

# 示例数据集
X = np.array([[1, 0], [0, 1], [1, 1], [0, 0]])
y = np.array([0, 1, 0, 1])

# 创建朴素贝叶斯分类器对象并训练
nb = NaiveBayes()
nb.fit(X, y)

# 输入实例进行预测
instance = np.array([1, 1])
predicted_class = nb.predict(np.array([instance]))
print(f"输入实例 {instance} 被预测为类别 {predicted_class[0]}")

# 计算准确率
accuracy = nb.accuracy(X, y)
print(f"估计的准确率为 {accuracy}")

直接调用_准确率非常不准确

CountVectorizer：将文本数据转换为词频矩阵，生成模型可以学习的特征。

MultinomialNB：多项式朴素贝叶斯模型，适用于离散特征的分类任务，如文本分类。

train_test_split：将数据集分成训练集和测试集，70%的数据用于训练，30%的数据用于测试。

# 导入所需库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score

# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target

# 分割数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建朴素贝叶斯分类器
gnb = GaussianNB()

# 训练模型
gnb.fit(X_train, y_train)

# 预测测试集结果
y_pred = gnb.predict(X_test)

# 评估准确率
accuracy = accuracy_score(y_test, y_pred)
print(f'Estimated accuracy: {accuracy:.2f}')

# 预测新实例的类别
def predict_new_instance(instance):
    prediction = gnb.predict([instance])
    return prediction, iris.target_names[prediction[0]]

# 新实例
new_instance = [4.5, 3.0, 1.5, 0.3]

# 预测并输出类别
predicted_category, category_name = predict_new_instance(new_instance)
print(f'The predicted category of the new instance is: {category_name}')