zoukankan      html  css  js  c++  java

  • 朴素贝叶斯分类-理论篇-如何通过概率解决分类问题

    公号：码农充电站pro
    主页：https://codeshellme.github.io

    贝叶斯原理是英国数学家托马斯·贝叶斯于18 世纪提出的，当我们不能直接计算一件事情（A）发生的可能性大小的时候，可以间接的计算与这件事情有关的事情(X，Y，Z)发生的可能性大小，从而间接判断事情（A）发生的可能性大小。

    在这里插入图片描述

    在介绍贝叶斯原理之前，先介绍几个与概率相关的概念。

    1，概率相关概念

    概率用于描述一件事情发生的可能性大小，用数学符号P(x) 表示，x 表示随机变量，P(x) 表示x 的概率。

    随机变量根据变量取值是否连续，可分为离散型随机变量和连续型随机变量。

    联合概率由多个随机变量共同决定，用P(x, y) 表示，含义为“事件x 与事件y 同时发生的概率”。

    条件概率也是由多个随机变量共同决定，用P(x|y) 表示，含义为“在事件y 发生的前提下，事件x 发生的概率。”

    边缘概率：从 P(x, y) 推导出 P(x)，从而忽略 y 变量。

    • 对于离散型随机变量，通过联合概率 P(x, y) 在 y 上求和， 可得到P(x)，这里的P(x) 就是边缘概率。
    • 对于连续型随机变量，通过联合概率 P(x, y) 在 y 上求积分， 可得到P(x)，这里的P(x) 就是边缘概率。

    概率分布：将随机变量所有可能出现的值，及其对应的概率都展现出来，就能得到这个变量的概率分布，概率分布分为两种，分别是离散型和连续型。

    常见的离散型数据分布模型有：

    • 伯努利分布：表示单个随机变量的分布，且该变量的取值只有两个，0 或 1。例如抛硬币（不考虑硬币直立的情况）的概率分布就是伯努利分布。数学公式如下：
      • P(x = 0) = 1 - λ
      • P(x = 1) = λ
    • 多项式分布：也叫分类分布，描述了一个具有 k 个不同状态的单个随机变量。这里的 k，是有限的数值，如果 k 为 2，那就变成了伯努利分布。
      • P(x = k) = λ
    • 二项式分布
    • 泊松分布

    常见的连续型数据分布模型有：

    • 正态分布，也叫高斯分布，是最重要的一种。
    • 均匀分布
    • 指数分布
    • 拉普拉斯分布

    正态分布的数学公式为：

    在这里插入图片描述

    正态分布的分布图为：

    在这里插入图片描述

    正态分布还可分为：

    • 一元正态分布：此时 μ为 0，σ为 1。
    • 多元正态分布。

    数学期望，如果把“每次随机结果的出现概率”看做权重，那么期望就是所有结果的加权平均值。

    方差表示的是随机变量的取值与其数学期望的偏离程度，方差越小意味着偏离程度越小，方差越大意味着偏离程度越大。

    概率论研究的就是这些概率之间的转化关系。

    2，贝叶斯定理

    贝叶斯公式如下：

    在这里插入图片描述

    含义：

    • 等号右边分子部分，P(Bi) 为先验概率，P(A|Bi) 为条件概率。
    • 等号右边整个分母部分为边缘概率。
    • 等号左边P(Bi|A) 为后验概率，由先验概率，条件概率，边缘概率计算得出。

    贝叶斯定理可用于分类问题，将其用在分类问题中时，可将上面的公式简化为：

    在这里插入图片描述

    其中：

    • c 表示一个分类，f 表示属性值。
    • P(c|f) 表示在待分类样本中，出现属性值 f 时，样本属于类别 c 的概率。
    • P(f|c) 是根据训练样本数据，进行统计得到的，分类 c 中出现属性 f 的概率。
    • P(c ) 是分类 c 在训练数据中出现的概率。
    • P(f) 是属性 f 在训练样本中出现的概率。

    这就意味着，当我们知道一些属性特征值时，根据这个公式，就可以计算出所属分类的概率，最终所属哪个分类的概率最大，就划分为哪个分类，这就完成了一个分类问题。

    贝叶斯推导

    来看下贝叶斯公式是如何推导出来的。

    如下图两个椭圆，左边为C，右边为F。
    在这里插入图片描述

    现在让两个椭圆产生交集：

    在这里插入图片描述

    根据上图可知：在事件F 发生的条件下，事件C 发生的概率就是P(C ∩ F) / P(F)，即：

    • P(C | F) = P(C ∩ F) / P(F)

    可得到：

    • P(C ∩ F) = P(C | F) * P(F)

    同理可得：

    • P(C ∩ F) = P(F | C) * P(C)

    所以：

    • P(C ∩ F) = P(C | F) * P(F) = P(F | C) * P(C)
    • P(C | F) = P(F | C) * P(C) / P(F)

    3，朴素贝叶斯

    假设我们现在有一个数据集，要使用贝叶斯定理，进行分类。特征有两个：f1，f2。现在要对数据F 进行分类，那我们需要求解：

    • P(c|F)：表示数据F 属于分类c 的概率。

    因为特征有 f1 与 f2，那么：

    • P(c|F) = P(c|(f1,f2))

    对于分类问题，特征往往不止一个。如果特征之间相互影响，也就是f1 与f2 之间相互影响，那么P(c|(f1,f2)) 就不容易求解。

    朴素贝叶斯在贝叶斯的基础上做了一个简单粗暴的假设，它假设多个特征之间互不影响，相互独立。

    朴素的意思就是纯朴，简单。

    用数学公式表示就是：

    • P(A, B) = P(A) * P(B)

    实际上就是大学概率论中所讲的事件独立性，即事件A 与事件B 的发生互不干扰，相互独立。

    那么，根据朴素贝叶斯，P(c|F) 的求解过程如下：

    在这里插入图片描述

    假设我们现在要分类的数据有两类：c1 和 c2。

    那么对于数据F 的分类问题，我们就需要求解两个概率：P(c1|F) 和P(c2|F)：

    • 如果P(c1|F) > P(c2|F)，那么F 属于c1 类。
    • 如果P(c1|F) < P(c2|F)，那么F 属于c2 类。

    根据贝叶斯原理，我们可以得到：

    在这里插入图片描述

    对于分类问题，我们的最终目的是分类，而不是真正的求解出P(c1|F) 和 P(c2|F) 的确切数值。

    根据上面的公式，我们可以看到，等号右边的分母部分都是P(F)：

    在这里插入图片描述

    所以我们只需要求出P(F|c1) × P(c1) 和 P(F|c2) × P(c2)，就可以知道P(c1|F) 和 P(c2|F) 哪个大了。

    所以对于P(c|F) 可以进一步简化：

    在这里插入图片描述

    4，处理分类问题的一般步骤

    用朴素贝叶斯原理，处理一个分类问题，一般要经过以下几个步骤：

    • 准备阶段：
      • 获取数据集。
      • 分析数据，确定特征属性，并得到训练样本。
    • 训练阶段：
      • 计算每个类别概率P(Ci)。
      • 对每个特征属性，计算每个分类的条件概率P(Fj|Ci)。
      • Ci 代表所有的类别。
      • Fj 代表所有的特征。
    • 预测阶段：
      • 给定一个数据，计算该数据所属每个分类的概率P(Fj|Ci) * P(Ci)。
      • 最终那个分类的概率大，数据就属于哪个分类。

    5，用朴素贝叶斯分类

    接下来我们来处理一个实际的分类问题，我们处理的是离散型数据。

    5.1，准备数据集

    我们的数据集如下：

    在这里插入图片描述

    该数据集的特征集有身高，体重和鞋码，目标集为性别。

    我们的目的是训练一个模型，该模型可以根据身高，体重和鞋码来预测所属的性别。

    我们给定一个特征：

    • 身高 = 高，用F1 表示。
    • 体重 = 中，用F2 表示。
    • 鞋码 = 中，用F3 表示。

    要求这个特征是男还是女？（用C1 表示男，C2 表示女）也就是要求P(C1|F) 大，还是P(C2|F) 大？

    # 根据朴素贝叶斯推导

   P(C1|F)
=> P(C1|(F1,F2,F3))
=> P(C1|F1) * P(C1|F2) * P(C1|F3)
=> [P(F1|C1) * P(C1)] * [P(F2|C1) * P(C1)] * [P(F3|C1) * P(C1)]

   P(C2|F)
=> P(C2|(F1,F2,F3))
=> P(C2|F1) * P(C2|F2) * P(C2|F3)
=> [P(F1|C2) * P(C2)] * [P(F2|C2) * P(C2)] * [P(F3|C2) * P(C2)]

    5.2，计算P(Ci)

    目标集共有两类：男和女，男出现4 次，女出现4 次，所以：

    • P(C1) = 4 / 8 = 0.5
    • P(C2) = 4 / 8 = 0.5

    5.3，计算P(Fj|Ci)

    通过观察表格中的数据，我们可以知道：

    # 性别为男的情况下，身高=高 的概率
P(F1|C1) = 2 / 4 = 0.5

# 性别为男的情况下，体重=中 的概率
P(F2|C1) = 2 / 4 = 0.5

# 性别为男的情况下，鞋码=中 的概率
P(F3|C1) = 1 / 4 = 0.25

# 性别为女的情况下，身高=高 的概率
P(F1|C2) = 0 / 4 = 0

# 性别为女的情况下，体重=中 的概率
P(F2|C2) = 2 / 4 = 0.5

# 性别为女的情况下，鞋码=中 的概率
P(F3|C2) = 2 / 4 = 0.5

    5.4，计算P(Fj|Ci) * P(Ci)

    上面我们已经推导过P(C1|F) 和 P(C2|F)，下面可以求值了：

       P(C1|F)
=> [P(F1|C1) * P(C1)] * [P(F2|C1) * P(C1)] * [P(F3|C1) * P(C1)]
=> [0.5 * 0.5] * [0.5 * 0.5] * [0.25 * 0.5]
=> 0.25 * 0.25 * 0.125
=> 0.0078125

   P(C2|F)
=> [P(F1|C2) * P(C2)] * [P(F2|C2) * P(C2)] * [P(F3|C2) * P(C2)]
=> [0 * 0.25] * [0.5 * 0.5] * [0.5 * 0.5]
=> 0

    最终可以看到 P(C1|F) > P(C2|F)，所以该特征属于C1，即男性。

    6，总结

    可以看到，对于一个分类问题：给定一个数据F，求解它属于哪个分类？ 实际上就是要求解F 属于各个分类的概率大小，即P(C|F)。

    根据朴素贝叶斯原理，P(C|F) 与 P(F|C) * P(C) 正相关，所以最终要求解的就是P(F|C) * P(C)。这就将一个分类问题转化成了一个概率问题。

    下篇文章会介绍如何使用朴素贝叶斯处理实际问题。

    （本节完。）

    推荐阅读：

    决策树算法-理论篇

    决策树算法-实战篇

    欢迎关注作者公众号，获取更多技术干货。

    出处：https://www.cnblogs.com/codeshell/p/13999440.html
  • 相关阅读:
    linux网络服务
    linux支持中文
    quartz-2实例
    makefile入门
    form 组件
    jquery +ajax 上传加预览
    iframe 加form提交数据
    笔记，ajax，事件绑定，序列化
    KindEditor
    统计图表
  • 原文地址：https://www.cnblogs.com/mq0036/p/14060701.html
Copyright © 2011-2022 走看看