标签：res nis sam tab 了解 instance regular 算法 变异
我们这个系列主要为了了解并会使用Accord.NET中机器学习有关算法，因此主要关注的是算法针对的的问题，算法的使用。所以主要以代码为主，通过代码来学习，在脑海中形成一个轮廓。下面就言归正传，开始贝叶斯分类器的学习。
朴素贝叶斯分类器，一个基于贝叶斯理论的简单概率分类器。简单的说，贝叶斯理论是独立特征模型，也就是说一个类别的指定特征的表现与否，跟其他任何特征无关。
TestCase1
著名的打网球实验(Tom Mitchell (1998))。实验中，基于四个条件，推测某人是否想去打网球。这些条件变量都是可分类的，即各变量的可取值之间没有关系
首先需要将问题的表现形式简化。通过Accord.Statistics.Filters.Codification，将问题转为用数字表示的codebook，比如Sunny转为0，Overcast为1，Rain为2。以此类推，得到训练用的输入输出。
接下来应该训练贝叶斯模型，用来预测最后一列，是否打网球。这里使用“Outlook”，“Temperature”，“Humidity”，“Wind”作为条件，预测是否打网球，四个输入一个输出。由于输入条件都是可分类的，在创建贝叶斯模型时应该指定每个变量的取值有几种可能，如果训练集的输入已经覆盖了每个变量的所有的情况，可以不创建模型，本例就是如此，因为算法的Learn函数会检查模型是否为空，空的情况下会根据输入输出创建。
得到分类器后，使用Decide方法根据输入计算输出。
接下来看代码
public void ComputeTest() { #region doc_mitchell DataTable data = new DataTable("Mitchell‘s Tennis Example"); data.Columns.Add("Day", "Outlook", "Temperature", "Humidity", "Wind", "PlayTennis"); data.Rows.Add("D1", "Sunny", "Hot", "High", "Weak", "No"); data.Rows.Add("D2", "Sunny", "Hot", "High", "Strong", "No"); data.Rows.Add("D3", "Overcast", "Hot", "High", "Weak", "Yes"); data.Rows.Add("D4", "Rain", "Mild", "High", "Weak", "Yes"); data.Rows.Add("D5", "Rain", "Cool", "Normal", "Weak", "Yes"); data.Rows.Add("D6", "Rain", "Cool", "Normal", "Strong", "No"); data.Rows.Add("D7", "Overcast", "Cool", "Normal", "Strong", "Yes"); data.Rows.Add("D8", "Sunny", "Mild", "High", "Weak", "No"); data.Rows.Add("D9", "Sunny", "Cool", "Normal", "Weak", "Yes"); data.Rows.Add("D10", "Rain", "Mild", "Normal", "Weak", "Yes"); data.Rows.Add("D11", "Sunny", "Mild", "Normal", "Strong", "Yes"); data.Rows.Add("D12", "Overcast", "Mild", "High", "Strong", "Yes"); data.Rows.Add("D13", "Overcast", "Hot", "Normal", "Weak", "Yes"); data.Rows.Add("D14", "Rain", "Mild", "High", "Strong", "No"); #endregion #region doc_codebook // 创建codification codebook // 把字符串变量转为独立的符号变量 Codification codebook = new Codification(data, "Outlook", "Temperature", "Humidity", "Wind", "PlayTennis"); // 提取出输入输出对作为训练集 DataTable symbols = codebook.Apply(data); int[][] inputs = symbols.ToArray<int>("Outlook", "Temperature", "Humidity", "Wind"); int[] outputs = symbols.ToArray<int>("PlayTennis"); #endregion #region doc_learn // 创建一个贝叶斯算法实例 var learner = new NaiveBayesLearning(); // 用训练集学习一个贝叶斯模型 NaiveBayes nb = learner.Learn(inputs, outputs); #endregion #region doc_test // 测试一组数据，在sunny，cool，humid，windy的条件下，某人是否会打网球 // 先将条件通过codebook编码为符号 int[] instance = codebook.Translate("Sunny", "Cool", "High", "Strong"); // 获得数字输出表示的答案 int c = nb.Decide(instance); // answer will be 0 // 将数字输出的答案通过codebook转为实际的"Yes"/"No" string result = codebook.Translate("PlayTennis", c); // 答案是"No" // 还可以提取每种答案的概率 double[] probs = nb.Probabilities(instance); // { 0.795, 0.205 } #endregion Assert.AreEqual("No", result); Assert.AreEqual(0, c); Assert.AreEqual(0.795, probs[0], 1e-3); Assert.AreEqual(0.205, probs[1], 1e-3); Assert.AreEqual(1, probs.Sum(), 1e-10); Assert.IsFalse(double.IsNaN(probs[0])); Assert.AreEqual(2, probs.Length); }
TestCase2
下面的例子针对离散模型设置了更具体的学习参数。
public void laplace_smoothing_missing_sample() { #region doc_laplace // Laplace rule针对当某个输入符号的某个类别不在训练集中时 // 比如本例中输入的第二列应包含0，1，2三个值 // 但实际的例子中只有1，2两种情况 int[][] inputs = { // 输入 输出 new [] { 0, 1 }, // 0 new [] { 0, 2 }, // 0 new [] { 0, 1 }, // 0 new [] { 1, 2 }, // 1 new [] { 0, 2 }, // 1 new [] { 0, 2 }, // 1 new [] { 1, 1 }, // 2 new [] { 0, 1 }, // 2 new [] { 1, 1 }, // 2 }; int[] outputs = // 对应的分类 { 0, 0, 0, 1, 1, 1, 2, 2, 2, }; // 由于训练集没有覆盖实际期望的所有情况Since the data is not enough to determine which symbols we are // 所以需要指定贝叶斯模型 // 第一个输入有两种情况，第二个输入有三种情况 var bayes = new NaiveBayes(classes: 3, symbols: new[] { 2, 3 }); // 创建学习算法时指定模型 var learning = new NaiveBayesLearning() { Model = bayes }; // 使用Laplace rule learning.Options.InnerOption.UseLaplaceRule = true; // 训练贝叶斯模型 learning.Learn(inputs, outputs); // 第二个输入为0来预测分类结果 int answer = bayes.Decide(new int[] { 0, 0 }); #endregion Assert.AreEqual(0, answer); double prob = bayes.Probability(new int[] { 0, 0 }, out answer); Assert.AreEqual(0, answer); //Assert.AreEqual(0.52173913043478259, prob, 1e-10); Assert.AreEqual(0.44444444444444453, prob, 1e-10); double error = new ZeroOneLoss(outputs) { Mean = true }.Loss(bayes.Decide(inputs)); Assert.AreEqual(2 / 9.0, error); }
TestCase3
下面的例子创建了一个多类别的分类器，使用整数输入并创建离散的贝叶斯模型。
public void ComputeTest3() { #region doc_multiclass // 将下列数据分成三类// int[][] inputs = { // 输入 输出 new int[] { 0, 1, 1, 0 }, // 0 new int[] { 0, 1, 0, 0 }, // 0 new int[] { 0, 0, 1, 0 }, // 0 new int[] { 0, 1, 1, 0 }, // 0 new int[] { 0, 1, 0, 0 }, // 0 new int[] { 1, 0, 0, 0 }, // 1 new int[] { 1, 0, 0, 0 }, // 1 new int[] { 1, 0, 0, 1 }, // 1 new int[] { 0, 0, 0, 1 }, // 1 new int[] { 0, 0, 0, 1 }, // 1 new int[] { 1, 1, 1, 1 }, // 2 new int[] { 1, 0, 1, 1 }, // 2 new int[] { 1, 1, 0, 1 }, // 2 new int[] { 0, 1, 1, 1 }, // 2 new int[] { 1, 1, 1, 1 }, // 2 }; int[] outputs = // 对应的输出类别 { 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, }; // 创建算法 var learner = new NaiveBayesLearning(); // 训练模型 NaiveBayes nb = learner.Learn(inputs, outputs); // 使用第一个样本测试 int answer = nb.Decide(new int[] { 0, 1, 1, 0 }); // should be 1 #endregion double error = new ZeroOneLoss(outputs).Loss(nb.Decide(inputs)); Assert.AreEqual(0, error); for (int i = 0; i < inputs.Length; i++) { error = nb.Compute(inputs[i]); double expected = outputs[i]; Assert.AreEqual(expected, error); } }
TestCase4
下面的例子使用了高斯模型，并且展示如何设置更加具体的学习参数。
public void learn_test() { #region doc_learn // 将下面的输入分成三类 double[][] inputs = { // 输入 输出 new double[] { 0, 1, 1, 0 }, // 0 new double[] { 0, 1, 0, 0 }, // 0 new double[] { 0, 0, 1, 0 }, // 0 new double[] { 0, 1, 1, 0 }, // 0 new double[] { 0, 1, 0, 0 }, // 0 new double[] { 1, 0, 0, 0 }, // 1 new double[] { 1, 0, 0, 0 }, // 1 new double[] { 1, 0, 0, 1 }, // 1 new double[] { 0, 0, 0, 1 }, // 1 new double[] { 0, 0, 0, 1 }, // 1 new double[] { 1, 1, 1, 1 }, // 2 new double[] { 1, 0, 1, 1 }, // 2 new double[] { 1, 1, 0, 1 }, // 2 new double[] { 0, 1, 1, 1 }, // 2 new double[] { 1, 1, 1, 1 }, // 2 }; int[] outputs = // 对应输出的类别 { 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, }; // 高斯模型
var teacher = new NaiveBayesLearning<NormalDistribution>(); // component distributions teacher.Options.InnerOption = new NormalOptions { Regularization = 1e-5 // 避免0变异 }; // 训练模型 NaiveBayes<NormalDistribution> bayes = teacher.Learn(inputs, outputs); // 预测输出 int[] predicted = bayes.Decide(inputs); // 预估模型误差，应为0 double error = new ZeroOneLoss(outputs).Loss(predicted); // 预测指定输入 int answer = bayes.Decide(new double[] { 1, 0, 0, 1 }); // 应为1 #endregion Assert.AreEqual(0, error); Assert.AreEqual(1, answer); Assert.IsTrue(predicted.IsEqual(outputs)); }
Accord.NET_Naive Bayes Classifier
标签：res nis sam tab 了解 instance regular 算法 变异
原文地址：http://www.cnblogs.com/belloworld/p/7231287.html
