一、朴素贝叶斯

朴素贝叶斯是一组功能强大且易于训练的分类器，它使用贝叶斯定理来确定给定一组条件的结果的概率，“朴素”的含义是指所给定的条件都能独立存在和发生. 朴素贝叶斯是多用途分类器，能在很多不同的情景下找到它的应用，例如垃圾邮件过滤、自然语言处理等.

1. 概率

1）定义

概率是反映随机事件出现的可能性大小. 随机事件是指在相同条件下，可能出现也可能不出现的事件. 例如：

（1）抛一枚硬币，可能正面朝上，可能反面朝上，这是随机事件. 正/反面朝上的可能性称为概率；

（2）掷骰子，掷出的点数为随机事件. 每个点数出现的可能性称为概率；

（3）一批商品包含良品、次品，随机抽取一件，抽得良品/次品为随机事件. 经过大量反复试验，抽得次品率越来越接近于某个常数，则该常数为概率.

我们可以将随机事件记为A或B，则P（A）, P（B）表示事件A或B的概率.

2）联合概率与条件概率

① 联合概率

指包含多个条件且所有条件同时成立的概率，记作$P(A,B)$ ，或$P(AB)$，或$P(A\bigcap B)$

② 条件概率

已知事件B发生的条件下，另一个事件A发生的概率称为条件概率，记为：$P(A|B)$

③ 事件的独立性

事件A不影响事件B的发生，称这两个事件独立，记为：

$$P(AB)=P(A)P(B)$$
因为A和B不相互影响，则有：
$$P(A|B)=P(A)$$
可以理解为，给定或不给定B的条件下，A的概率都一样大.

3）先验概率与后验概率

① 先验概率

先验概率也是根据以往经验和分析得到的概率，例如：在没有任何信息前提的情况下，猜测对面来的陌生人姓氏，姓李的概率最大（因为全国李姓为占比最高的姓氏），这便是先验概率.

② 后验概率

后验概率是指在接收了一定条件或信息的情况下的修正概率，例如：在知道对面的人来自“牛家村”的情况下，猜测他姓牛的概率最大，但不排除姓杨、李等等，这便是后验概率.

③ 两者的关系

事情还没有发生，求这件事情发生的可能性的大小，是先验概率（可以理解为由因求果）. 事情已经发生，求这件事情发生的原因是由某个因素引起的可能性的大小，是后验概率（由果求因）. 先验概率与后验概率有不可分割的联系，后验概率的计算要以先验概率为基础.

2. 贝叶斯定理

1）定义

贝叶斯定理由英国数学家托马斯.贝叶斯 ( Thomas Bayes)提出，用来描述两个条件概率之间的关系，定理描述为：
$$P(A|B)=\frac{P(A)P(B|A)}{P(B)}$$
其中，$P(A)$和$P(B)$是A事件和B事件发生的概率. $P(A|B)$称为条件概率，表示B事件发生条件下，A事件发生的概率. 推导过程：
$$\begin{gathered} P(A,B)=P(B)P(A|B) \\ P(B,A)=P(A)P(B|A) \end{gathered}$$
其中$P(A,B)$称为联合概率，指事件B发生的概率，乘以事件A在事件B发生的条件下发生的概率. 因为$P(A,B)=P(B,A)$, 所以有：
$$P(B)P(A|B)=P(A)P(B|A)$$
两边同时除以P(B)，则得到贝叶斯定理的表达式. 其中，$P(A)$是先验概率，$P(A|B)$是已知B发生后A的条件概率，也被称作后验概率.

2）贝叶斯定理示例

【示例一】计算诈骗短信的概率

事件	概率	表达式
所有短信中，诈骗短信	5%	P（A）= 0.05
所有短信中，含有“中奖”两个字	4%	P（B）= 0.04
所有诈骗短信中，带有中奖两个字	50%	P(B|A) = 0.5

求：收到一条新信息，含有“中奖”两个字，是诈骗短信的概率？

$P(A|B)=P(A)P(B|A)/P(B)=0.05\ast 0.5/0.04=0.625$

假设一个学校中60%的男生和40%女生
女生穿裤子的人数和穿裙子的人数相等
所有的男生都穿裤子
一个随机在远处眺望，看一个穿裤子的学生
请问这个学生是女生的概率
p(女|裤子)
p(女)=0.4 p(裤子|女) = 0.5 p(裤子) = 0.8

$$P(A|B)=\frac{P(A)P(B|A)}{P(B)}$$

3. 朴素贝叶斯分类器

1）分类原理

朴素贝叶斯分类器就是根据贝叶斯公式计算结果进行分类的模型，“朴素”指事件之间相互独立无影响. 例如：有如下数据集：

一个单词为一个特征

Text	Category
A great game（一个伟大的比赛）	Sports（体育运动）
The election was over（选举结束）	Not sports（不是体育运动）
Very clean match（没内幕的比赛）	Sports（体育运动）
A clean but forgettable game（一场难以忘记的比赛）	Sports（体育运动）
It was a close election（这是一场势均力敌的选举）	Not sports（不是体育运动）

求：“A very close game” 是体育运动的概率？数学上表示为 P(Sports | a very close game). 根据贝叶斯定理，是运动的概率可以表示为：
$$P(Sports|averyclosegame)=\frac{P(averyclosegame|sports)\ast P(sports)}{P(averyclosegame)}$$
不是运动概率可以表示为：
$$P(NotSports|averyclosegame)=\frac{P(averyclosegame|Notsports)\ast P(Notsports)}{P(averyclosegame)}$$
概率更大者即为分类结果. 由于分母相同，即比较分子谁更大即可.
$$\begin{gathered} P(averyclosegame|sports)\ast P(sports) \\ P(averyclosegame|Notsports)\ast P(Notsports) \end{gathered}$$
我们只需统计”A very close game“ 多少次出现在Sports类别中，就可以计算出上述两个概率. 但是”A very close game“ 并没有出现在数据集中，所以这个概率为0，要解决这个问题，就假设每个句子的单词出现都与其它单词无关（事件独立即朴素的含义），所以，P(a very close game)可以写成：
$$P(averyclosegame)=P(a)\ast P(very)\ast P(close)\ast P(game)$$

$$\begin{gathered} P（averyclosegame|Sports)= \\ P(a|Sports)\ast P(very|Sports)\ast P(close|Sports)\ast P(game|Sports) \end{gathered}$$

统计出“a", “very”, “close”, "game"出现在"Sports"类别中的概率，就能算出其所属的类别. 具体计算过程如下：

• 第一步：计算总词频：Sports类别词语总数11，Not Sports类别词语总数9，词语总数14(去重后)

• 第二步：计算每个类别的先验概率

  # Sports和Not Sports概率
  P(Sports) = 3 / 5 = 0.6 
  P(Not Sports) = 2 / 5 = 0.4 
  
  # Sports条件下各个词语概率
  P(a | Sports) = (2 + 1) / (11 + 14) = 0.12
  P(very | Sports) = (1 + 1) / (11 + 14) = 0.08
  P(close | Sports) = (0 + 1) / (11 + 14) = 0.04
  P(game | Sports) = (2 + 1) / (11 + 14) = 0.12
  
  # Not Sports条件下各个词语概率
  P(a | Not Sports) = (1 + 1) / (9 + 14) = 0.087
  P(very | Not Sports) = (0 + 1) / (9 + 14) = 0.043
  P(close | Not Sports) = (1 + 1) / (9 + 14) =  = 0.087
  P(game | Not Sports) = (0 + 1) / (9 + 14) = 0.043
  

  其中，分子部分加1，是为了避免分子为0的情况；分母部分都加了词语总数14，是为了避免分子增大的情况下计算结果超过1的可能.

• 第三步：将先验概率带入贝叶斯定理，计算概率：

  是体育运动的概率：

$$\begin{gathered} P（averyclosegame|Sports)\ast P(Sport)= \\ P(a|Sports)\ast P(very|Sports)\ast P(close|Sports)\ast P(game|Sports)= \\ 0.12\ast 0.08\ast 0.04\ast 0.12\ast 0.6=0.000027648 \end{gathered}$$

​ 不是体育运动的概率：
$$\begin{gathered} P（averyclosegame|NotSports)\ast P(NotSport)= \\ P(a|NotSports)\ast P(very|NotSports)\ast P(close|NotSports)\ast P(game|NotSports)= \\ 0.087\ast 0.043\ast 0.087\ast 0.043\ast 0.4=0.0000055984 \end{gathered}$$

2）实现朴素贝叶斯分类器

在sklearn中，提供了三个朴素贝叶斯分类器，分别是：

• GaussianNB（高斯朴素贝叶斯分类器）：适合用于样本的值是连续的，数据呈正态分布的情况（比如人的身高、城市家庭收入、一次考试的成绩等等）
• MultinominalNB（多项式朴素贝叶斯分类器）：适合用于大部分属性为离散值的数据集
• BernoulliNB（伯努利朴素贝叶斯分类器）：适合用于特征值为二元离散值或是稀疏的多元离散值的数据集

该示例中，样本的值为连续值，且呈正态分布，所以采用GaussianNB模型. 代码如下：

'''
朴素贝叶斯
朴素 + 贝叶斯 = 特征独立假设 + 贝叶斯定理
'''
import pandas as pd
import sklearn.model_selection as ms #模型选择
import sklearn.naive_bayes as nb #朴素贝叶斯
import sklearn.metrics as sm #评估模块
import matplotlib.pyplot as plt

data = pd.read_csv('../data_test/multiple1.txt',
   header=None,
                   names=['x1','x2','y'])
#整理输入和输出
x = data.iloc[:,:-1]
y = data.iloc[:,-1]
#划分训练集和测试机
train_x,test_x,train_y,test_y = ms.train_test_split(x,y,
                                                    test_size=0.1,
                                                    random_state=7,
                                                    stratify=y)
#构建模型
model = nb.GaussianNB()
#训练
model.fit(train_x,train_y)
#预测
pred_test_y = model.predict(test_x)
#评估
print(sm.classification_report(test_y,pred_test_y))

plt.scatter(data['x1'],data['x2'],
            c=data['y'],
            cmap='brg')
plt.colorbar()

plt.show()

执行结果：

4. 总结

1）什么是朴素贝叶斯：朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。“朴素”的含义为：假设问题的特征变量都是相互独立地作用于决策变量的，即问题的特征之间都是互不相关的。

2）朴素贝叶斯分类的特点

① 优点

• 逻辑性简单
• 算法较为稳定。当数据呈现不同的特点时，朴素贝叶斯的分类性能不会有太大的差异。
• 当样本特征之间的关系相对比较独立时，朴素贝叶斯分类算法会有较好的效果。

② 缺点

• 特征的独立性在很多情况下是很难满足的，因为样本特征之间往往都存在着相互关联，如果在分类过程中出现这种问题，会导致分类的效果大大降低。

3）什么情况下使用朴素贝叶斯：根据先验概率计算后验概率的情况，且样本特征之间独立性较强。