根据贝叶斯分类器(1)贝叶斯决策论概述、贝叶斯和频率、概率和似然,我们对贝叶斯分类器所要解决的问题、问题的求解方法做了概述,将贝叶斯分类问题转化成了求解的问题,在上一篇贝叶斯分类器(2)极大似然估计、MLE与MAP
中,我们分析了第一个求解方法:极大似然估计。在本篇中,我们来介绍一个更加简单的求解方法,并在此基础上讲讲常用的一个贝叶斯分类器的实现:朴素贝叶斯分类器(Naive Bayes classifier)。
1 朴素贝叶斯分类原理
1.1 分类问题回顾
我们的目标是通过对样本的学习来得到一个分类器,以此来对未知数据进行分类,即求后验概率。在贝叶斯分类器(1)贝叶斯决策论概述、贝叶斯和频率、概率和似然中,我们描述了贝叶斯分类器是以生成式模型的思路来处理这个问题的,如下面的公式所示,贝叶斯分类器通过求得联合概率来计算,并将联合概率转化成了计算类先验概率、类条件概率、证据因子。
其中的难点是类条件概率的计算,因为样本本身就是其所有属性的联合概率,各种属性随意组合,变幻莫测,要计算其中某一种组合出现的概率真的是太难了,而朴素贝叶斯的出现就是为了解决这个问题的。
要想计算联合概率,我们肯定是希望事件与事件是相互独立的,可以简单粗暴的,多想对着流星许下心愿:让世界上复杂的联合概率都变成简单的连乘!
1.2 朴素贝叶斯
朴素贝叶斯实现了我们的梦想!朴素贝叶斯中的朴素就是对多属性的联合分布做了一个大胆的假设,即的个维度之间相互独立:
朴素贝叶斯通过这一假设大大简化了的计算,当然,使用这个假设是有代价的,一般情况下,大量样本的特征之间独立这个条件是弱成立的,毕竟哲学上说联系是普遍的,所以我们使用朴素贝叶斯会降低一些准确性;如果实际问题中的事件的各个属性非常不独立的话,甚至是无法使用朴素贝叶斯的。总的来说,朴素贝叶斯大大简化了计算,同时牺牲了一些结果的准确性,具体要不要使用、怎么使用就看我们在实际问题中的权衡了。
在朴素贝叶斯的思想下再看回分类问题,事件有个属性,可将分类问题按下式转化:
只需要计算出上式不同类别下的值,令值最大的类别即为分类结果。
其中,根据大数定律,,是类别下的后验概率,其计算要取决于先验,这里需要分为是离散或连续两种情况:
1.2.1 特征/属性是离散型随机变量
- 1)先验服从多项式分布:假设的特征取值服从多项式分布,那么同样根据大数定律,可通过频率来计算:
为样本中类别为的频数,为类别为的样本中,第个属性中出现的频数。
不过有些出现的概率比较低的属性,在我们的样本中不一定会出现,即频数为0,如果不作处理的话会导致其为0,会导致包含这个属性的样本永远都不会被分类到类别,而现实不一定是这样,因此我们需要对没出现的情况做平滑处理,比如常见的拉普拉斯平滑,给分子的频数加上一个定值,而分母加上,表示为第个属性中的每一种取值的频数都加定值:
举例:垃圾邮件判断
朴素贝叶斯分类在垃圾邮件的判断上有不错的实践效果,这是一个二分类问题,,假设为垃圾邮件,为正常邮件,统计出:
现在收到一封邮件包含一些关键词:【中奖,笔记本电脑,特朗普,大选,...】,根据大量的数据可以统计出这些词出现的频数,除以类别中所有词的总频数得到其出现的后验概率,在垃圾邮件中:
在正常邮件中:
可以计算得到:
时的值是时值的26倍,所以判断此邮件是垃圾邮件。
我们判断西瓜好坏的问题也可以转化成离散型随机变量的分类问题,过程与上面类似。
- 2)先验服从伯努利分布:在的属性是离散型随机变量的分类问题中,如果一个属性只关注其出现或者不出现,而不关注其在一个样本内出现的次数,也就是其取值只有0和1,那么我们可以假设这个属性是服从伯努利分布的(注意:不要求属性为伯努利分布,只要业务需要,我们可以把它变成伯努利分布,比如对于销量,我们让小于100的都是0,大于100的为1)。其后验概率的计算为:
比如垃圾邮件的例子,在多项式朴素贝叶斯中:
如果我们只关心“中奖”出现与否,不管词频,则在伯努利朴素贝叶斯中:
1.2.2 特征/属性是连续型随机变量
连续变量离散化,使用多项式分布或伯努利分布:当的属性是连续型随机变量时,如果我们对取值的业务理解较好,一些情况下可以选择将连续变量离散化,比如在一个商品的分类中,我们根据业务理解把低于100块的映射到“便宜”,100到200块的映射到“一般”,高于100块的映射到“好贵”,这样就可以转化为离散变量的问题,这是比较简单的处理方式,不过对业务理解的要求比较高,而且要求样本的量不能太少,要保证每个区间有一定的样本量。
假设的连续型属性服从某种分布,比如正态分布: 假设服从正态分布,其中参数通过类别为的所有样本中属性的各种取值的平均得到,参数同理,通过样本的标准差得到,以此概率密度函数来计算。
举例:性别判断
下面是一组人类身体特征的统计资料。
有人身高6英尺、体重130磅,脚掌8英寸,判断此人性别:
各属性为连续变量,假设男性和女性的身高、体重、脚掌都是正态分布,通过样本计算出均值和方差。男性的身高是均值5.855、方差0.035的正态分布。所以,例如男性的身高为6英尺的概率的相对值等于1.5789(密度函数的值,并不是概率,只用来反映各个值的相对可能性)。
分布确定后,就可以计算性别的分类了:
女性的概率比男性要高出将近10000倍,所以判断该人为女性。
1.3 朴素贝叶斯分类的平滑方法
在前文1.2.1小节中我们已经提过平滑处理,主要针对于那些在样本中没有出现过的词,它们的概率是0,导致在分类中完全没有存在感,所以要对这些进行平滑处理。
平滑处理的方法也有很多种,包括我们上面说过的拉普拉斯平滑,除此之外还有古德图灵平滑,线性插值法,回退法(K-Z回退)等,不过这些方法在自然语言处理中比较常用,我们暂时先不多介绍了,还是聚焦在朴素贝叶斯上,下面我们看看朴素贝叶斯在sklearn中的实现。
2 朴素贝叶斯的sklearn实现
sklearn中有3种常用的不同类型的朴素贝叶斯:
- 高斯分布型 (Gaussian NB):用于上面所说的连续型变量的分类问题,假定属性/特征服从正态分布;
- 多项式型 (Multinomial NB):用于离散值模型里。比如我们在1.2.1中的例子;
- 伯努利型 (Bernoulli NB):用于离散值模型里,最后得到的特征只有0(没出现)和1(出现过)。
1)高斯分布型朴素贝叶斯
sklearn.naive_bayes.GaussianNB(*, priors=None, var_smoothing=1e-09)
Parameters
priors:array-like of shape (n_classes,)
类别的先验概率,如果指定,则不再根据数据计算调整
var_smoothing:float, default=1e-9
Portion of the largest variance of all features that is added to variances for calculation stability.(不是很明白)
>> import numpy as np
>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
>> Y = np.array([1, 1, 1, 2, 2, 2])
>> from sklearn.naive_bayes import GaussianNB
>> clf = GaussianNB()
>> clf.fit(X, Y)
GaussianNB()
>> print(clf.predict([[-0.8, -1]]))
[1]
>> clf_pf = GaussianNB()
>> clf_pf.partial_fit(X, Y, np.unique(Y)) # 增量训练
GaussianNB()
>> print(clf_pf.predict([[-0.8, -1]]))
[1]
>> clf.predict_proba(np.array([[2,2]])) # 输出概率
array([[2.31952419e-16, 1.00000000e+00]])
>> clf.predict_log_proba(np.array([[2,2]])) # 输出对数概率
array([[-35.99999941, 0. ]])
2)多项式分布型朴素贝叶斯
sklearn.naive_bayes.MultinomialNB(*, alpha=1.0, fit_prior=True, class_prior=None)
Parameters
alpha:float, default=1.0
Additive (Laplace/Lidstone) smoothing parameter (0 for no smoothing).
fit_prior:bool, default=True
Whether to learn class prior probabilities or not. If false, a uniform prior will be used.
class_prior:array-like of shape (n_classes,), default=None
Prior probabilities of the classes. If specified the priors are not adjusted according to the data.
其常用函数与高斯型一样。
>> import numpy as np
>> rng = np.random.RandomState(1)
>> X = rng.randint(5, size=(6, 100))
>> y = np.array([1, 2, 3, 4, 5, 6])
>> from sklearn.naive_bayes import MultinomialNB
>> clf = MultinomialNB()
>> clf.fit(X, y)
MultinomialNB()
>> print(clf.predict(X[2:3]))
[3]
3)伯努利分布型朴素贝叶斯
sklearn.naive_bayes.BernoulliNB(*, alpha=1.0, binarize=0.0, fit_prior=True, class_prior=None)
Parameters
binarize:float or None, default=0.0
Threshold for binarizing (mapping to booleans) of sample features. If None, input is presumed to already consist of binary vectors.(用于设置二值化的阈值)
官方例子与多项式型的基本一样,而且也没有设置binarize,相当于默认使用binarize=0.0,根据源码 sklearn/preprocessing/_data.py
中的binarize(X, *, threshold=0.0, copy=True)函数可以发现,大于binarize的都赋值为1,其他为0。
>> import numpy as np
>> rng = np.random.RandomState(1)
>> X = rng.randint(5, size=(6, 100))
>> Y = np.array([1, 2, 3, 4, 4, 5])
>> from sklearn.naive_bayes import BernoulliNB
>> clf = BernoulliNB()
>> clf.fit(X, Y) # X中各个特征的取值为[0,1,2,3,4],二值化后大于0的都为1
BernoulliNB()
>> print(clf.predict(X[2:3]))
[3]
3 朴素贝叶斯总结
优点
- 朴素贝叶斯算法假设了数据集属性之间是相互独立的,因此算法的逻辑性十分简单,并且算法较为稳定,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;
- 当数据集属性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;
- 数据量要求不大,适合增量式训练,能直接处理多分类;
- 算法简单直观,具有很好的可解释性,可以直接输出概率。
缺点
- 属性独立性的条件也是朴素贝叶斯的不足之处,数据集属性的独立性在很多情况下很难满足;
- 需要知道先验概率,且先验概率很多时候也是取决于假设,故对假设的合理性较为依赖。
可见,朴素贝叶斯的缺点很大程度来来源于其假设太强,对于其假设符合程度较低的问题会损失较多的准确性,因此,如果我们能把假设弱化一下,是不是就能提高朴素贝叶斯的性能呢?在接下来的篇章中我们来继续探索。
主要参考资料
《机器学习》周志华
《统计学习方法》 李航
scikit-learn Naive Bayes文档