朴素贝叶斯

标签：put   消息   oba   贝叶斯   images   splay   default   blog   朴素   

　　朴素贝叶斯分类是基于贝叶斯概率的思想，假设属性之间相互独立，求得各特征的概率，最后取较大的一个作为预测结果（为了消弱罕见特征对最终结果的影响，通常会为概率加入权重，在比较时加入阈值）。朴素贝叶斯是较为简单的一种分类器。

　　属性独立性：事件B的发生不对事件A的发生造成影响，这样的两个事件叫做相互独立事件。然而其属性独立性假设在现实世界中多数不能成立，例如： “spring”的后面更有可能跟着“MVC”。

　　A和B中至少有一件事情发生：A∪B； A与B同时发生：A∩B（或AB）；如果P(AB) =P(A)P(B)，称A,B 相互独立。即：从数学上说，若N (N≥2) 个事件相互独立，则必须满足这样的条件：其中任意k (N ≥ k ≥2)个事件同时发生的概率等于该k个事件单独发生时的概率的乘积。

例：假设事件相互独立，P(spring) = 0.2，P(MVC) = 0.8， 则 P(spring MVC) = 0.2 * 0.8=0.16。

实例应用

　　很多时候，无法将朴素贝叶斯求得的结果作用于实际，因为朴素的假设（属性之间相互独立）会使其得到错误的结果。

朴素贝叶斯假设各特征项是独立的，整体概率=各特征项概率的乘积，计算出特征集在每个分类的概率后进行比较，最大值即预测结果。

　　根据概率公式，在实际应用中是：

   　下面以垃圾邮件过滤器为例，描述贝叶斯分类的实际应用。

　　早期的邮件过滤器使用的基于规则的朴素贝叶斯分类，典型的规则包括：大写的过度使用、与医药相关的单词、过于花哨的HTML等。

这种过滤有两个问题：

　　1.如果垃圾制造者知道规律就能绕开过滤器，其行为变得更加隐蔽。

　　2.某些被当作垃圾的分类中某些情况下并不适用（可能是正常内容）。

　　本例将在开始阶段和逐渐接收到更多消息后，由人们告诉它哪些是垃圾，哪些不是，不断学习后，程序对垃圾信息的界定逐渐形成自己的观点。这是典型的监督学习中的分类。

下面是实现过程的描述：

1. 问题描述：邮件分为两类，bad and good，令邮件内容为doc，分类为cat；程序判断给定doc是哪个分类。上述描述实际是计算doc是某一分类的概率，即P(cat|doc)
2. 设置特征集，将特征集定为分词，每个分词是一个特征，doc = FeatureSet = Set(分词)
3. 字典fc记录每个特征在不同分类下的数量：fc = {} = {feature:{good:N, bad:M}}，cc记录每个分类下特征的总数：cc = {good:N, bad:M}；则对于某个特定分类，特征f出现的概率 P(f|cat) = fc[f][cat] / cc[cat]
4. 根据Navies Bayes计算 P(cat|doc)，假设每个特征彼此独立，下图是核心公式：

　　由上图的公式可推导：

P(cat|doc) = P(doc|cat) * P(cat) / P(doc)

                 = P(FeatureSet|cat) * P(cat) / P(doc)

                 = [(P(F1|cat) * P(F2|cat) * … * P(Fn|cat)] * P(cat) / P(doc)

                 = ∏(Fn|cat) * P(cat) / P(doc)

　　由于绝大多数doc的内容都不同，可认为P(doc)是一个固定值1，计算P(doc)没有意义。由此上式可等价为[(P(F1|cat) * P(F2|cat) * … * P(Fn|cat)] * P(cat)

伪代码：

docProbability = [(P(F1|cat) * P(F2|cat) * … * P(Fn|cat)] * P(cat)

docProbability.setDefaultValue(1)

compute docProbability:

 Features.forEach(f -> { docProbability *= P(f|cat)}) = Features.forEach(f->{docProbability *= fc[f][cat] / cc[cat]})

catProbabilty = P(cat) = cc[cat] / cc.all

最终 P(cat|doc) ≈ docProbability / catProbabilty

5. 当训练数据较少时，避免将普通doc归为bad非常重要。为解决这个问题，为每个分类设置阈值。对于一个doc来说，其概率与所有其他分类的概率相比，要大于阈值，即：

P(cat|doc) / P(other|doc) > threshold。

例如：假设过滤到bad的阈值是3, 则当P(bad|doc) / P(good|doc) > 3时才能划分到bad类中。

如果good的阈值是1， 则 P(good|doc) > P(bad|doc)是就能划分到good类中。

对于 1 < P(bad|doc) / P(good|doc) < 3， 划分到unknow，可令unknow = good。

函数predict(doc) 是最终暴露的方法，使用threshold处理分类。

6.添加训练集，使用predict方法判断测试项属于哪个分类。

参考文献：

《集体智慧编程》

 作者：我是8位的

 出处：http://www.cnblogs.com/bigmonkey

 本文以学习、研究和分享为主，如需转载，请联系本人，标明作者和出处，非商业用途！ 

朴素贝叶斯

标签：put   消息   oba   贝叶斯   images   splay   default   blog   朴素   

原文地址：http://www.cnblogs.com/bigmonkey/p/7306125.html