码迷,mamicode.com
首页 > 其他好文 > 详细

【机器学习】--机器学习之朴素贝叶斯从初始到应用

时间:2018-04-07 17:49:38      阅读:217      评论:0      收藏:0      [点我收藏+]

标签:就是   基础   频率   分类   href   过滤   截取   color   根据   

一、前述

机器学习算法中,有种依据概率原则进行分类的朴素贝叶斯算法,正如气象学家预测天气一样,朴素贝叶斯算法就是应用先前事件的有关数据来估计未来事件发生的概率。

二、具体

1、背景--贝叶斯定理引入
对于两个关联事件(非独立事件)A和B,同时发生的概率为:P(AB)=P(A|B)P(B)=P(B|A)P(A),所以把公式变形后可得:

 

贝叶斯定理,他是朴素贝叶斯算法的基础,就是下面的这个公式:

技术分享图片

 技术分享图片

 

现在我们来把这个式子扩充一下:假设B由很多个独立事件组成,或者说,B由很多个属性组成B1,B2...Bn他们相互独立,那上面的式子成了这个样子:

技术分享图片

也就是说我们把P(B|A)替换成了P(B1|A)P(B2|A)...P(Bn|A),上面的式子也很容易看出是成立的。我们把上面的公式先记住。其实我学的时候一直在纠结这么明显的式子究竟会起什么作用。

上面公式起作用的前提是假设特征和特征之间是独立的。因此这就是朴素贝叶斯的中朴素一词的来源。

 

2、案例一

对于垃圾邮件案例来说:

技术分享图片

说明:P(spam)是先验概率。
          P(spam|Viagra)是后验概率。

构建频率表:

技术分享图片

求解:
P(垃圾邮件|Viagra)=P(Viagra|垃圾邮件)*P(垃圾邮件)/P(Viagra)=(4/20)*(20/100)/(5/100)=0.8
结论:
因此,如果电子邮件含有单词Viagra,那么该电子邮件是垃圾邮件的概率为80%。所以,任何含有单词Viagra的消息都需要被过滤掉。

 

拓展一:假设特征和特征之间是独立的。
当有更多的特征时,则有如下公式:

技术分享图片

分别求解垃圾邮件概率和非垃圾邮件概率:

技术分享图片

分母可以先忽略它,垃圾邮件的总似然为:

? (4/20)*(10/20)*(20/20)*(12/20)*(20/100)=0.012

? 非垃圾邮件的总似然为:

? (1/80)*(66/80)*(71/80)*(23/80)*(80/100)=0.002

? 将这些值转换成概率,我们只需要一步得到垃圾邮件概率为

85.7%

 

拓展二:假设文章中包含了4个单词的邮件呢?

? 我们可以计算垃圾邮件的似然如下:

? (4/20)*(10/20)*(0/20)*(12/20)*(20/100)=0

? 非垃圾邮件的似然为:

? (1/80)*(14/80)*(8/80)*(23/80)*(80/100)=0.00005

? 因此该消息是垃圾邮件的概率为0/(0+0.00005)=0

? 该消息是非垃圾邮件的概率为0.00005/(0+0.00005)=1

? 问题出在Groceries这个单词,所有单词Grogeries有效抵消或否决了所有其他的证据。

解决方法:

拉普拉斯估计本质上是给频率表中的每个计数加上一个较小的数,这样就保证了每一类中每个特征发生概率非零。

? 通常情况下,拉普拉斯估计中加上的数值设定为1,这样就保证每一类特征的组合至少在数据中出现一次。

? 然后,我们得到垃圾邮件的似然为:

? (5/24)*(11/24)*(1/24)*(13/24)*(24/108)=0.0004

? 非垃圾邮件的似然为:

? (2/84)*(15/84)*(9/84)*(24/84)*(84/108)=0.0001

? 这表明该消息是垃圾邮件的概率为80%,是非垃圾邮件的概率为20%。
3、案例二

 

让我以一个例子加以说明,假设有这样一个数据集(本例来自朴素贝叶斯分类器的应用),

 

症状(A1) 职业(A2) 疾病(B)
打喷嚏  护士   感冒
打喷嚏  农夫   过敏
头痛   建筑工人 脑震荡
头痛   建筑工人 感冒
打喷嚏  教师   感冒
头痛   教师   脑震荡

 

那么一个打喷嚏的建筑工人是感冒还是没感冒呢?根据贝叶斯定理,

 

P(感冒|打喷嚏x建筑工人) = P(打喷嚏x建筑工人|感冒) x P(感冒) / P(打喷嚏x建筑工人)

假定”打喷嚏”和”建筑工人”这两个特征是独立的,因此,上面的等式就变成了

P(感冒|打喷嚏x建筑工人) = P(打喷嚏|感冒) x P(建筑工人|感冒) x P(感冒) / P(打喷嚏) x P(建筑工人) = 0.66 x 0.33 x 0.5 / 0.5 x 0.33 = 0.66
同理,
P(非感冒|打喷嚏x建筑工人) = P(打喷嚏|非感冒) x P(建筑工人|非感冒) x P(非感冒) / P(打喷嚏) x P(建筑工人) = 0.33 x 0.33 x 0.5 / 0.5 x 0.33 = 0.33

因为P(感冒|打喷嚏x建筑工人) > P(非感冒|打喷嚏x建筑工人) ,所以我们更愿意相信一个打喷嚏的建筑工人是感冒的。

 

 

从上面的例子可以看出,贝叶斯分类的步骤是这样的:

技术分享图片

2、上面的已知条件都是离散值,如果是连续值呢,对于连续值通常有两种办法,一是将连续值截取为离散值,然后求概率,二是假定离散值服从高斯分布,即

技术分享图片
因为我们只需求概率的相对值,所以这里只需计算属性的概率密度值即可。得出结论

假设特征服从多项式分布,连续的特征适合用高斯分布的,比如鸢尾花数据集,如果是离散的特征,适合用多项式分布。

4、朴素贝叶斯分类的思想和计算过程

技术分享图片

 

技术分享图片

 

【机器学习】--机器学习之朴素贝叶斯从初始到应用

标签:就是   基础   频率   分类   href   过滤   截取   color   根据   

原文地址:https://www.cnblogs.com/LHWorldBlog/p/8733256.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!