机器学习笔记之线性分类——朴素贝叶斯分类器(Naive Bayes Classifier)

引言

本节将介绍一个经典的基于线性分类的概率生成模型——朴素贝叶斯分类器(Naive Bayes Classifier)。

回顾：概率生成模型

在机器学习笔记之线性分类——高斯判别分析(一)模型思路构建中介绍过，概率生成模型用于分类任务的朴素思想是软分类思想——给定样本$\mathcal{X}$条件下，判断后验概率$P(\mathcal{Y}\mid \mathcal{X})$之间的大小关系。以二分类为例：
$$P(\mathcal{Y}=0\mid \mathcal{X})\stackrel{\text{?}}{=}P(\mathcal{Y}=1\mid \mathcal{X})$$
而概率生成模型是利用贝叶斯定理，将 后验概率大小关系 转化为 似然和先验概率的乘积形式，即通过乘积大小来反映后验概率的大小关系：
$$\begin{gathered} P(\mathcal{Y}=0\mid \mathcal{X})\stackrel{\text{?}}{=}P(\mathcal{Y}=1\mid \mathcal{X}) \\ \to P(\mathcal{X}\mid \mathcal{Y}=0)P(\mathcal{Y}=0)\stackrel{\text{?}}{=}P(\mathcal{X}\mid \mathcal{Y}=1)P(\mathcal{Y}=1) \end{gathered}$$
从参数角度观察，概率生成模型是将 求解$P(\mathcal{Y}\mid \mathcal{X})$的模型参数 转化为 求解$P(\mathcal{X}\mid \mathcal{Y})$和$P(\mathcal{Y})$的概率分布参数。

注意上面的表达，先验概率分布$P(\mathcal{Y})$的参数同样是未知的，先验概率分布同样需要求解。因此，在求解概率分布参数的过程中，使用的是 极大似然估计(MLE)，而不是最大后验概率估计(MAP)：
最大后验概率估计(MAP)是对‘概率模型’$P(\mathcal{X}\mid \mathcal{Y})$求解最优参数的过程中，使用一个‘人为设定的经验分布’$P(\mathcal{Y})$作为先验概率，而该分布中不存在任何参数，设定出来即可直接使用。并且该先验分布的作用只是对‘极大似然估计’方法求解的模型参数起到一个约束作用。
$$\begin{gathered} \hat{\theta }=\underset{\theta }{\mathrm{argmax}}\mathcal{L}(\theta ) \\ \mathcal{L}(\theta )=\log \prod _{i=1}^{N}P(x^{(i)}\mid y^{(i)})P(y^{(i)}) \end{gathered}$$

概率生成模型：高斯判别分析对应样本分布的假设表示如下：
以二分类为例，基于样本的二分类属性，假设先验概率$P(\mathcal{Y})$为伯努利分布；在分类确定的条件下，假设各分类下的样本分布服从高斯分布：
$$\begin{gathered} \mathcal{Y}\sim Bernoulli(\varphi ) \\ \mathcal{X}\mid \mathcal{Y}=0\sim \mathcal{N}({\mu }_1,\Sigma ) \\ \mathcal{X}\mid \mathcal{Y}=1\sim \mathcal{N}({\mu }_2,\Sigma ) \end{gathered}$$

观察上述假设，先验概率$P(\mathcal{Y})$的伯努利分布是基于样本的二分类属性，没的说；但是对似然$P(\mathcal{X}\mid \mathcal{Y})$的假设显得有些简单：
样本集合$\mathcal{X}=\{x^{(1)},x^{(2)},\cdots ,x^{(N)}{\}}_{N\times p}$，集合中的任意样本均是$p$维向量：
$$x^{(i)}=(x_1^{(i)},x_2^{(i)},\cdots ,x_p^{(i)}{)}^T$$
因此，该样本服从的自然也是$p$维高斯分布。但实际情况是，由于样本特征的复杂性，使得样本各维度特征$(x_1,x_2,\cdots ,x_p)$可能服从于不同分布。因此，抱着对似然$P(\mathcal{X}\mid \mathcal{Y})$的假设更加细致的朴素思想，介绍一种经典思想：朴素贝叶斯分类器。

朴素贝叶斯分类器

朴素贝叶斯假设

朴素贝叶斯分类器的核心思想是朴素贝叶斯假设，又称条件独立性假设：
在分类确定的条件下(假设包含$k$个分类)，各分类下样本${\mathcal{X}}_l(l=1,2,\cdots ,k)$的任意两个不同特征之间相互独立。数学符号表示如下：
$$x_i\perp x_j\mid \mathcal{Y}=l(i,j\in \{1,2,\cdots ,p\},i\ne j,l\in \{1,2,\cdots ,k\})$$
如果将该思想写成似然形式，表达如下：
由于假设的相互独立性，因此‘联合概率分布’$P(x_1,x_2,\cdots ,x_p\mid \mathcal{Y}=l)$可直接写成各项乘积的形式。
$$P(\mathcal{X}\mid \mathcal{Y}=l)=P(x_1,x_2,\cdots ,x_p\mid \mathcal{Y}=l)=\prod _{i=1}^{p}P(x_i\mid \mathcal{Y}=l)$$

基于朴素贝叶斯假设的分类过程

继续观察朴素贝叶斯假设，相比于高斯判别分析对于$P(\mathcal{X}\mid \mathcal{Y})$的假设，不否认朴素贝叶斯分类器对$P(\mathcal{X}\mid \mathcal{Y})$的假设更加细致，精确到了样本$\mathcal{X}$的各个维度；
但从 假设本身(假设方式) 来考虑朴素贝叶斯假设，它的假设是非常简单，甚至是非常苛刻的：各维度之间相互独立，意味着样本集合$\mathcal{X}$的各特征之间$x_i(i=1,2,\cdots ,p)$必须存在严格界限。相反，如果各维度间存在关联关系，使用朴素贝叶斯分类器来执行分类任务可能没有良好的分类效果。

朴素贝叶斯假设如此严苛，那么构建该假设的动机是什么？ 自然是 简化运算。由于条件独立性假设，在使用极大似然估计求解各维度对应分布的参数时，其他维度分布均可视为常数，求导过程中直接消掉即可。

场景描述

数据集合$Data=\{(x^{(i)},y^{(i)}){\}}_{i=1}^N$，任意$x^{(i)}$均属于$p$维向量：
$$x^{(i)}=(x_1^{(i)},x_2^{(i)},\cdots ,x_p^{(i)}{)}_{p\times 1}^T(i=1,2,\cdots ,N)$$
任意$y^{(i)}$均属于标量，且只包含两种标签信息：
$$y^{(i)}\in \{0,1\}(i=1,2,\cdots ,N)$$

分类过程

我们的分类思想依然没有变化，仍然是软分类思想：
$$P(\mathcal{Y}=0\mid \mathcal{X})\stackrel{\text{?}}{=}P(\mathcal{Y}=1\mid \mathcal{X})$$
软分类思想的概率表达形式如下：
$$\widehat{{\mathcal{Y}}_{pred}}=\underset{\mathcal{Y}\in \{0,1\}}{\mathrm{argmax}}P(\mathcal{Y}\mid \mathcal{X})$$
根据贝叶斯定理，将上式进行转化：
$$\widehat{{\mathcal{Y}}_{pred}}=\underset{\mathcal{Y}\in \{0,1\}}{\mathrm{argmax}}P(\mathcal{X}\mid \mathcal{Y})P(\mathcal{Y})$$
和线性判别分析相似，同样对$P(\mathcal{Y}),P(\mathcal{X}\mid \mathcal{Y})$的概率分布进行假设：

• $P(\mathcal{Y})$基于二分类性质，依然假设$\mathcal{Y}$服从伯努利分布(Bernoulli Distribution)；
  $$\mathcal{Y}\sim Bernoulli({\varphi }_{\mathcal{Y}})$$
  如果是多分类任务，假设$\mathcal{Y}$服从分类分布(Categorial Distribution)；
  $$\mathcal{Y}\sim Categorical({\varphi }_{\mathcal{Y}})$$
• 关于$P(\mathcal{X}\mid \mathcal{Y})$，基于条件独立性假设，我们需要对$\mathcal{X}$每个维度$x_i(i=1,2,\cdots ,p)$的概率分布进行假设：
  • 如果$x_i$属于离散型随机变量，通常假设$x_i$服从分类分布；
    $$x_i\sim Categorical({\varphi }_{x_i})$$
  • 如果$x_i$属于连续型随机变量，通常假设$x_i$服从高斯分布；
    由于$x_i$是样本$x$在i维度上的分量，通常是一个实数值，因此这里定义$x_i$服从的分布是‘一维高斯分布’。
    $$x_i\sim \mathcal{N}({\mu }_j,{\sigma }_j^2)$$

至此，已经将$P(\mathcal{Y}),P(\mathcal{X}\mid \mathcal{Y})$的概率分布假设完毕，后面对概率分布参数求解过程和高斯判别分析完全相同，即使用 极大似然估计 方法。

令$\theta$为 待求解的概率分布参数，似然函数$\mathcal{L}(\theta )$定义如下：
$$\begin{array}{rl}\mathcal{L}(\theta )& =\log \prod _{i=1}^N\left[P(x^{(i)}\mid y^{(i)})P(y^{(i)})\right]\\ & =\sum _{i=1}^N\log \left[P(x^{(i)}\mid y^{(i)})P(y^{(i)})\right]\end{array}$$
基于条件独立性假设，$x^{(i)}$的任意一个维度均服从一个概率分布，则有：
$$P(x^{(i)}\mid y^{(i)})=\prod _{j=1}^{p}P(x_j^{(i)}\mid y^{(i)})$$
将基于条件独立性假设的$P(x^{(i)}\mid y^{(i)})$带入上式，则有：
$$\begin{array}{rl}\mathcal{L}(\theta )& =\sum _{i=1}^N\left\{\log \left[P(x^{(i)}\mid y^{(i)})\right]+\log \left[P(y^{(i)})\right]\right\}\\ & =\sum _{i=1}^N\left\{\log \left[\prod _{j=1}^{p}P(x_j^{(i)}\mid y^{(i)})\right]+\log \left[P(y^{(i)})\right]\right\}\\ & =\sum _{i=1}^N\left\{\sum _{j=1}^p\log \left[P(x_j^{(i)}\mid y^{(i)})\right]+\log \left[P(y^{(i)})\right]\right\}\end{array}$$
最后将对应假设的$P(x_j^{(i)}\mid y^{(i)}),P(y^{(i)})$的分布带入，对$\mathcal{L}(\theta )$进行极大似然估计即可。
$$\hat{\theta }=\underset{\theta }{\mathrm{argmax}}\mathcal{L}(\theta )$$

实例解析

对于朴素贝叶斯分类器中的条件独立性假设十分抽象，这里我们反过来思考：什么样的样本能够完整符合朴素贝叶斯分类器的全部要求？

这里以机器学习(周志华著)的西瓜数据集3.0为例，从样本的角度观察条件独立性假设以及各维度的概率分布情况。

西瓜数据集3.0共包含17个样本。具体数据表示如下：

• 该样本中包含2个类别的标签：好瓜 = 是，好瓜 = 否；
• 数据集合中一共包含8个维度的样本特征。在这里我们暂时认为样本特征之间相互独立(各维度特征之间可能存在因果关系(关联关系)，我不是领域专家，我不懂~)；
• 观察各维度样本特征，有的是服从伯努利分布，如触感特征；有的是服从分类分布，如色泽特征，不仅包含离散型随机变量，密度、含糖率均为连续型随机变量；

至此，线性分类模型系列暂时结束，下面将介绍新的系列，一种特殊的硬分类模型——支持向量机(Support Vector Machine,SVM)

相关参考：
机器学习(周志华著)
机器学习-线性分类9-朴素贝爷斯分类器(Naive Bayes Classifier)