贝叶斯分类
贝叶斯分类是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类。
朴素贝叶斯分类是这一类算法中最简单的较为常见的算法。
先验概率
根据以往经验和分析得到的概率。我们用()来代表在没有训练数据前假设拥有的初始概率。
后验概率
根据已经发生的事件来分析得到的概率。以(|)代表假设成立的情下观察到数据的概率,因为它反映了在看到训练数据后成立的置信度。
联合概率
是指在多元的概率分布中多个随机变量分别满足各自条件的概率。与的联合概率表示为( , ) 、 () 或(∩) 。
假设和都服从正态分布,那么( < 5, < 0)就是一个联合概率,表示 < 5, < 0两个条件同时成立的概率。表示两个事件共同发生的概率。
贝叶斯公式
朴素贝叶斯法是典型的生成学习方法。生成方法由训练数据学习联合概率分布 (, ),然后求得后验概率分布(|)。
具体来说,利用训练数据学习(|)和()的估计,得到联合概率分布:(, )=(|) ()
监督学习方法又分生成方法(Generative approach)和判别方法(Discriminative approach)
所学到的模型分别称为生成模型(Generative Model)和判别模型(Discriminative Model)。
朴素贝叶斯法是典型的生成学习方法
生成方法由训练数据学习联合概率分布 (, ),然后求得后验概率分布(|)。具体来说,利用训练数据学习(|)和()的估计,得到联合概率分布:(, )=()(|).概率估计方法可以是极大似然估计或贝叶斯估计。
朴素贝叶斯法的基本假设是条件独立性
Ck代表类别,k代表类别个数。
这是一个较强的假设。由于这一假设,模型包含的条件概率的数量大为减少,朴素贝叶斯法的学习与预测大为简化。因而朴素贝叶斯法高效,且易于实现。其缺点是分类的性能不一定很高。
朴素贝叶斯法利用贝叶斯定理与学到的联合概率模型进行分类预测
我们要求的是(|),根据生成模型定义我们可以求(, )和()假设中的特征是条件独立的。这个称作朴素贝叶斯假设。 形式化表示为,(如果给定的情况下,和条件独立):(|) = (|, )。
也可以表示为:(, |) = (|)(|)
用于文本分类的朴素贝叶斯模型,这个模型称作多值伯努利事件模型。
在这个模型中,我们首先随机选定了邮件的类型(),然后一个人翻阅词典的所有词,随机决定一个词是否出现依照概率((1)|),出现标示为1,否则标示为0 。假设有50000个单词,那么这封邮件的概率可以表示为:
朴素贝叶斯法对条件概率分布作了条件独立性的假设。由于这是一个较强的假设,朴素贝叶斯法也由此得名。具体地,条件独立性假设是:
朴素贝叶斯法分类时,对给定的输入,通过学习到的模型计算
后验概率分布( =c| = ) ,将后验概率最大的类作为的类输
出。根据贝叶斯定理:
假设我们正在构建一个分类器,该分类器说明文本是否与运动(Sports)有关。我们的训练数据有5句话:
我们想要计算句子“A very close game”是 Sports 的概率以及它不是 Sports 的概率。
即( Sports | a very close game )这个句子的类别是Sports的概率
特征:单词的频率
我们假设一个句子中的每个单词都与其他单词无关。
计算每个类别的先验概率:对于训练集中的给定句子, Sports 的概率为⅗。(Not Sports )是⅖。
然后,在计算( | )就是“game”有多少次出现在Sports的样本,然后除以sports为标签的文本的单词总数(3+3+5=11)。
因此,( | )=2/11
“close”不会出现在任何sports样本中!那就是说( |) = 0。
通过使用一种称为拉普拉斯平滑的方法:我们为每个计数加1,因此它永远不会为零。为了平衡这一点,我们将可能单词的数量添加到除数中,因此计算结果永远不会大于1。
拉普拉斯平滑是一种用于平滑分类数据的技术。引入拉普拉斯平滑法来解决零概率问题,通过应用此方法,先验概率和条件概率可以写为
其中表示类别数量,表示中不同值的数量通常 = 1
加入拉普拉斯平滑之后,避免了出现概率为0的情况,又保证了每个值都在0到1的范围内,又保证了最终和为1的概率性质
最常用的GaussianNB是高斯贝叶斯分类器。它假设特征的条件概率分布满足高斯分布:
其他贝叶斯分类器:
MultinomialNB是多项式贝叶斯分类器,它假设特征的条件概率分布满足多项式分布;
BernoulliNB是伯努利贝叶斯分类器。它假设特征的条件概率分布满足二项分布。