朴素贝叶斯法_naive_Bayes

本文主要是介绍朴素贝叶斯法_naive_Bayes，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

朴素贝叶斯法（naive Bayes）是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设学习输入输出的联合概率分布；然后基于此模型，对给定的输入$x$，利用贝叶斯定理求出后验概率最大的输出$y$。

基本方法：

设输入空间$X\subseteq R^n$为$n$维向量的集合，输出空间为类标记集合 Y = { c 1 , c 2 , . . . , c k } Y=\{c_1,c_2,...,c_k\} Y={c1​,c2​,...,ck​}。输入为特征向量$x\in X$，输出为类标记$y\in Y$。$X$是定义在输入空间$X$上的随机向量，$Y$是定义在输出空间$Y$上的随机变量。$P(X,Y)$是$X$和$Y$的联合概率分布。训练集$T=\{(x_1,y_1),(x_2,y_2),...,(x_N,y_N)\}$由$P(X,Y)$独立同分布产生。

朴素贝叶斯算法就是通过训练数据集学习联合概率分布$P(X,Y)$。

具体地，学习以下先验概率分布及条件概率分布。
先验概率分布：$P(Y=C_k),k=1,2,...,K$；
条件概率分布：$P(X=x|Y=C_k)=P(X^{(1)}=x^{(1)},...,X^{(n)}=x^{(n)}|Y=C_k),k=1,2,...,K$。

由于条件概率分布$P(X=x|Y=C_k)$由指数级数量的参数，其估计实际是不可能的。事实上，假设特征$X^{(j)}$可能的取值有$S_j$个，$j=1,2,...,n$，$Y$可能取值有$K$个，那么参数个数为$K{\prod }_{j=1}^n{S}_j$个。

于是朴素贝叶斯算法对条件概率分布作出了条件独立性的假设。这是一个非常强的假设，等于是说用于分类的特征在类确定的条件下都是条件独立的，具体地，条件独立性假设是
$$P(X=x|Y=C_k)=P(X^{(1)}=x^{(1)},...,X^{(n)}=x^{(n)}|Y=C_k)$$
$$=\prod _{j=1}^{n}P(X^{(j)}=x^{(j)}|Y=C_k)$$

朴素贝叶斯算法在进行分类时，对给定的输入$x$，通过学习到的模型计算后验概率分布$P(Y=C_k|X=x)$，然后将后验概率最大的类作为$x$的输出。后验概率计算根据贝叶斯定理进行：
$$P(Y=C_k|X=x)=\frac{P(X=x|Y=C_k)P(Y=C_k)}{{\sum }_{k}P(X=x|Y=C_k)P(Y=C_k)}$$
$$=\frac{P(Y=C_k){\prod }_{j}P(X^{(j)}=x^{(j)}|Y=C_k)}{{\sum }_{k}P(Y=C_k){\prod }_{j}P(X^{(j)}=x^{(j)}|Y=C_k)}$$

于是，朴素贝叶斯分类器可表示为
$$y=f(x)=arg\underset{C_k}{\max }\frac{P(Y=C_k){\prod }_{j}P(X^{(j)}=x^{(j)}|Y=C_k)}{{\sum }_{k}P(Y=C_k){\prod }_{j}P(X^{(j)}=x^{(j)}|Y=C_k)}$$

由于分母对所有的类都是相同的，所以
$$y=f(x)=arg\underset{C_k}{\max }P(Y=C_k)\prod _{j}P(X^{(j)}=x^{(j)}|Y=C_k)$$

算法：
输入：训练集$T=\{(x_1,y_1),(x_2,y_2),...,(x_N,y_N)\}$，其中$x_i=(x_i^{(1)},x_i^{(2)},...,x_i^{(n)}{)}^T$，$x_i^{(j)}$是第$i$个样本的第$j$个特征， x i ( j ) ∈ { a j 1 , a j 2 , . . . , a j S j } x_i^{(j)} \in \{a_{j1},a_{j2},...,a_{jS_j}\} xi(j)​∈{aj1​,aj2​,...,ajSj​​}，$a_{jl}$是第$j$个特征可能取的第$l$个值，$j=1,2,...,n$，$l=1,2,...,S_j$， y i ∈ { C 1 , C 2 , . . . , C k } y_i \in \{C_1,C_2,...,C_k\} yi​∈{C1​,C2​,...,Ck​}；实例$x$。
输出：实例$x$的分类。

1. 计算先验概率及条件概率
   $$P(Y=C_k)=\frac{{\sum }_{i=1}^{N}I(y_i=C_k)}{N},k=1,2,...,k$$
   $$P(X^{(j)}=a_{jl}|Y=C_k)=\frac{{\sum }_{i=1}^{N}I(x^{(j)}=a_{jl},y_i=C_k)}{{\sum }_{i=1}^{N}I(y_i=C_k)}$$
   $$j=1,2,...,n;l=1,2,...,S_j;k=1,2,...,K$$
2. 对于给定实例$x={(x^{(1)},x^{(2)},...,x^{(n)})}^T$，计算(这里用到了特征条件独立假设)
   $$P(Y=C_k)\prod _{j=1}^{n}P(X^{(j)}=x^{(j)}|Y=C_k),k=1,2,...,K$$
3. 确定实例$x$的分类
   $$y=arg\underset{C_k}{\max }P(Y=C_k)\prod _{j=1}^{n}P(X^{(j)}=x^{(j)}|Y=C_k)$$

这篇关于朴素贝叶斯法_naive_Bayes的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---