摘要:本文主要向大家介绍了机器学习之机器学习(其四)贝叶斯分类器,通过具体的内容向大家展现,希望对大家学习机器学习入门有所帮助。
本文主要向大家介绍了机器学习之机器学习(其四)贝叶斯分类器,通过具体的内容向大家展现,希望对大家学习机器学习入门有所帮助。
前言
另外文中引用了他人的文章,会在参考资料部分标明,如有版权.转载等问题我会删掉那部分内容.
最后本人也是刚刚入门机器学习这一领域,如有问题欢迎探讨,希望大家看完都能有点收获
运行环境是Anaconda3.
其中python版本为3.6.4
skearn版本0.19.1
(感觉很多人写文章都不说运行环境,写的很用心但是别人却运行不了,这太可惜了.)
贝叶斯定理及贝叶斯分类器
朴素贝叶斯算法是有监督的学习算法,解决的是分类问题,如客户是否流失、是否值得投资、信用等级评定等多分类问题。该算法的优点在于简单易懂、学习效率高、在某些领域的分类问题中能够与决策树、神经网络相媲美。但由于该算法以自变量之间的独立(条件特征独立)性和连续变量的正态性假设为前提,就会导致算法精度在某种程度上受影响。
我们会选择高概率对应的类别。这就是贝叶斯决策理论的核心思想,即选择具有最高概率的决策。
条件概率
在学习贝叶斯定理之前,我们需要了解什么是条件概率(Condittional probability),就是指在事件B发生的情况下,事件A发生的概率,用P(A|B)来表示。 根据文氏图(韦恩图),可以很清楚地看到在事件B发生的情况下,事件A发生的概率就是P(A∩B)除以P(B)。
P(A|B)=P(A∩B)P(B)P(A|B)=P(A∩B)P(B)
因此,
P(A∩B)=P(A|B)P(B)P(A∩B)=P(A|B)P(B)
同理可得,
P(A∩B)=P(B|A)P(A)P(A∩B)=P(B|A)P(A)
所以,
P(A|B)P(B)=P(B|A)P(B)P(A|B)P(B)=P(B|A)P(B)
即,
P(A|B)=P(B|A)P(A)P(B)P(A|B)=P(B|A)P(A)P(B)
这就是条件概率的计算公式
全概率公式
假定样本空间S,是两个事件A与A’的和。
上图中,红色部分是事件A,绿色部分是事件A’,它们共同构成了样本空间S。
在这种情况下,事件B可以划分成两个部分。A’表示A事件的非事件。
即
P(B)=P(B∩A)+P(B∩A′)P(B)=P(B∩A)+P(B∩A′)
由式(3)
P(A∩B)=P(B|A)P(A)P(A∩B)=P(B|A)P(A)
代入得
P(B∩A)=P(B|A)P(A)P(B∩A)=P(B|A)P(A)
即
P(B)=P(B|A)P(A)+P(B|A′)P(A′)P(B)=P(B|A)P(A)+P(B|A′)P(A′)
这就是全概率公式。它的含义是,如果A和A’构成样本空间的一个划分,那么事件B的概率,就等于A和A’的概率分别乘以B对这两个事件的条件概率之和。
将这个公式代入上一节的条件概率公式,就得到了条件概率的另一种写法:
P(A|B)=P(B|A)P(A)P(B|A)P(A)+P(B|A′)P(A′)P(A|B)=P(B|A)P(A)P(B|A)P(A)+P(B|A′)P(A′)
贝叶斯推断
对条件概率公式进行变形,可以得到如下形式:
P(A|B)=P(A)P(B|A)P(B)P(A|B)=P(A)P(B|A)P(B)
我们把P(A)称为”先验概率”(Prior probability),即在B事件发生之前,我们对A事件概率的一个判断。
P(A|B)称为”后验概率”(Posterior probability),即在B事件发生之后,我们对A事件概率的重新评估。
P(B|A)/P(B)称为”可能性函数”(Likelyhood),这是一个调整因子,使得预估概率更接近真实概率。
所以,条件概率可以理解成下面的式子:
后验概率=先验概率×调整因子后验概率=先验概率×调整因子
这就是贝叶斯推断的含义。我们先预估一个”先验概率”,然后加入实验结果,看这个实验到底是增强还是削弱了”先验概率”,由此得到更接近事实的”后验概率”。
在这里,如果”可能性函数”P(B|A)/P(B)>1,意味着”先验概率”被增强,事件A的发生的可能性变大;如果”可能性函数”=1,意味着B事件无助于判断事件A的可能性;如果”可能性函数”<1,意味着”先验概率”被削弱,事件A的可能性变小。
为了加深对贝叶斯推断的理解,我们一个例子。
两个一模一样的碗,一号碗有30颗水果糖和10颗巧克力糖,二号碗有水果糖和巧克力糖各20颗。现在随机选择一个碗,从中摸出一颗糖,发现是水果糖。请问这颗水果糖来自一号碗的概率有多大?
我们假定,H1表示一号碗,H2表示二号碗。由于这两个碗是一样的,所以P(H1)=P(H2),也就是说,在取出水果糖之前,这两个碗被选中的概率相同。因此,P(H1)=0.5,我们把这个概率就叫做”先验概率”,即没有做实验之前,来自一号碗的概率是0.5。
再假定,E表示水果糖,所以问题就变成了在已知E的情况下,来自一号碗的概率有多大,即求P(H1|E)。我们把这个概率叫做”后验概率”,即在E事件发生之后,对P(H1)的修正。
根据条件概率公式,得到
P(H1|E)=P(H1)P(E|H1)P(E)P(H1|E)=P(H1)P(E|H1)P(E)
已知,P(H1)等于0.5,P(E|H1)为一号碗中取出水果糖的概率,等于30÷(30+10)=0.75,那么求出P(E)就可以得到答案。根据全概率公式,
P(E)=P(E|H1)P(H1)+P(E|H2)P(H2)P(E)=P(E|H1)P(H1)+P(E|H2)P(H2)
所以,
P(E)=0.75×0.5+0.5×0.5=0.625P(E)=0.75×0.5+0.5×0.5=0.625
将数字代入原方程,得到
P(H1|E)=0.5×0.750.625=0.6P(H1|E)=0.5×0.750.625=0.6
这表明,来自一号碗的概率是0.6。也就是说,取出水果糖之后,H1事件的可能性得到了增强。
同时再思考一个问题,在使用该算法的时候,如果不需要知道具体的类别概率,即上面P(H1|E)=0.6,只需要知道所属类别,即来自一号碗,我们有必要计算P(E)这个全概率吗?要知道我们只需要比较 P(H1|E)和P(H2|E)的大小,找到那个最大的概率就可以。既然如此,两者的分母都是相同的,那我们只需要比较分子即可。即比较P(E|H1)P(H1)和P(E|H2)P(H2)的大小,所以为了减少计算量,全概率公式在实际编程中可以不使用。
理解了贝叶斯推断,那么让我们继续看看朴素贝叶斯(native Bayes)。贝叶斯和朴素贝叶斯的概念是不同的,区别就在于“朴素”二字,朴素贝叶斯对条件个概率分布做了条件独立性的假设。 比如下面的公式,假设有n个特征:
P(a|X)=p(X|a)p(a)=p(x1,x2,x3,...xn|a)P(a)P(a|X)=p(X|a)p(a)=p(x1,x2,x3,...xn|a)P(a)
由于每个特征都是独立的,我们可以进一步拆分公式:
p(a|X)=p(X|a)p(a)={p(x1|a)×p(x2|a)×p(x3|a)×...×p(p(xn|a))}p(a)p(a|X)=p(X|a)p(a)={p(x1|a)×p(x2|a)×p(x3|a)×...×p(p(xn|a))}p(a)
朴素贝叶斯基础假设是,对于每一个特征都有:
独立
相等
来支持输出结果。
与我们的数据集关联起来,我们可以这样理解这个概念:
我们假设没有特征对是相互依赖的。温度热不热跟湿度没有任何关系,天气是否下雨也不影响是否刮风。因此,这就是假设特征相互独立。
其次,每个特征都有相同的权重(或者是重要性)。例如,只知道温度和湿度是不能准确地推断出结果的。任何属性都与结果是有关系的,并且影响程度是相同的。
这样我们就可以进行计算了。如果有些迷糊,让我们从一个例子开始讲起,你会看到贝叶斯分类器很好懂,一点都不难。
某个医院早上来了六个门诊的病人,他们的情况如下表所示:
症状
职业
疾病
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
现在又来了第七个病人,是一个打喷嚏的建筑工人。请问他患上感冒的概率有多大?
根据贝叶斯定理:
P(A|B)=P(B|A)P(A)P(B)P(A|B)=P(B|A)P(A)P(B)
可得:
P(感冒|打喷嚏×建筑工人)=P(打喷嚏×建筑工人|感冒×P(感冒))P(打喷嚏×建筑工人)P(感冒|打喷嚏×建筑工人)=P(打喷嚏×建筑工人|感冒×P(感冒))P(打喷嚏×建筑工人)
根据朴素贝叶斯条件独立性的假设可知,”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×建筑工人)=P(打喷嚏|感冒)×P(建筑工人|感冒)×P(感冒)P(打喷嚏)×P(建筑工人)P(感冒|打喷嚏×建筑工人)=P(打喷嚏|感冒)×P(建筑工人|感冒)×P(感冒)P(打喷嚏)×P(建筑工人)
这里可以计算:
P(感冒|打喷嚏×建筑工人)=0.66×0.33×0.50.5×0.33=0.66P(感冒|打喷嚏×建筑工人)=0.66×0.33×0.50.5×0.33=0.66
因此,这个打喷嚏的建筑工人,有66%的概率是得了感冒。同理,可以计算这个病人患上过敏或脑震荡的概率。比较这几个概率,就可以知道他最可能得什么病。
这就是贝叶斯分类器的基本方法:在统计资料的基础上,依据某些特征,计算各个类别的概率,从而实现分类。
同样,在编程的时候,如果不需要求出所属类别的具体概率,P(打喷嚏) = 0.5和P(建筑工人) = 0.33的概率是可以不用求的。
概率事件的优势
事件A的优势定义为:
P(A)P(A′)=P(A)1−P(A′)P(A)P(A′)=P(A)1−P(A′)
也即,事件A的优势告诉我们该事件发生的可能性是不发生的可能性的倍率,举例来说,如果P(A)=2/3,那么
P(A)=2×P(A′)P(A)=2×P(A′)
,因此事件A的优势等于2.如果某事件优势等于α,那么通常称支持假设成立的优势为阿尔法比1也是同样的意思.
这个定义告诉我们,当我们要比较2个互斥事件的概率的时候只需要计算其中一个事件的概率,再利用互斥事件概率相加为1的特性即可求出每一个事件的概率了.
下面我们来看一个例子
当抛掷硬币A时,其正面朝上的概率是1/4,而抛掷硬币B时,正面朝上的概率是3/4,假设随机挑选一枚硬币,并投掷两次,如果两次都是正面朝上,那么选中的是硬币B的概率有多大?
在这个例子里面,显然选中硬币A和选中硬币B是互斥事件,我们容易求得使用硬币A投掷时,两次正面朝上的概率是1/4×1/4=1/161/4×1/4=1/16,而使用硬币B投掷的时候,两次正面朝上的概率是3/4×3/4=9/163/4×3/4=9/16,所以事件B相对于事件A的优势为9,又因为选中硬币A和选中硬币B是互斥的,他们的概率和为1,可得选中硬币B的概率是0.9.
贝叶斯决策论
再次强调,贝叶斯分类是根据概率选择最优的决策,那么知道的上述的知识之后,我们具体来看一下贝叶斯决策论是如何决策的.
假设有N种可能的类别标记,即
y=c1,c2,c3...,cNy=c1,c2,c3...,cN,λijλij是将一个真实标记为cjcj的样本误分类为cici所产生的瞬时.基于后验概率P(ci|x)P(ci|x)可获得将样本xx分类为cici所产生的期望损失(expected loss).即在样本x上的“条件风险”(conditional risk)
R(ci|x)=∑j=1NλijP(cj|x)R(ci|x)=∑j=1NλijP(cj|x)
我们要寻找一个判定准则h:样本空间χyχy(注释5)
以最小化总体风险
那么现在来看一个应用贝叶斯分类器的例子
以在线社区留言为例。为了不影响社区的发展,我们要屏蔽侮辱性的言论,所以要构建一个快速过滤器,如果某条留言使用了负面或者侮辱性的语言,那么就将该留言标志为内容不当。过滤这类内容是一个很常见的需求。对此问题建立两个类型:侮辱类和非侮辱类,使用1和0分别表示。
我们把文本看成单词向量或者词条向量,也就是说将句子转换为向量。考虑出现所有文档中的单词,再决定将哪些单词纳入词汇表或者说所要的词汇集合,然后必须要将每一篇文档转换为词汇表上的向量。简单起见,我们先假设已经将本文切分完毕,存放到列表中,并对词汇向量进行分类标注。编写代码如下:
# -*- coding: UTF-8 -*-"""
函数说明:创建实验样本
Parameters:
无
Returns:
postingList - 实验样本切分的词条
classVec - 类别标签向量
Author:
Jack Cui
Blog:
//blog.csdn.net/c406495762
Modify:
2017-08-11
"""def loadDataSet():
postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], #切分的词条
['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'],
['stop', 'posting', 'stupid', 'worthless', 'garbage'],
['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
classVec = [0,1,0,1,0,1] #类别标签向量,1代表侮辱性词汇,0代表不是
return postingList,classVecif __name__ == '__main__':
postingLIst, classVec = loadDataSet() for each in postingLIst:
print(each)
print(classVec)['my', 'dog', 'has', 'flea', 'problems', 'help', 'please']
['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid']
['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him']
['stop', 'posting', 'stupid', 'worthless', 'garbage']
['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him']
['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']
[0, 1, 0, 1, 0, 1]
从运行结果可以看出,我们已经将postingList是存放词条列表中,classVec是存放每个词条的所属类别,1代表侮辱类 ,0代表非侮辱类。 继续编写代码,前面我们已经说过我们要先创建一个词汇表,并将切分好的词条转换为词条向量
# -*- coding: UTF-8 -*-"""
函数说明:创建实验样本
Parameters:
无
Returns:
postingList - 实验样本切分的词条
classVec - 类别标签向量
Author:
Jack Cui
Blog:
//blog.csdn.net/c406495762
Modify:
2017-08-11
"""def loadDataSet():
postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], #切分的词条
['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'],
['stop', 'posting', 'stupid', 'worthless', 'garbage'],
['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
classVec = [0,1,0,1,0,1] #类别标签向量,1代表侮辱性词汇,0代表不是
return postingList,classVec"""
函数说明:根据vocabList词汇表,将inputSet向量化,向量的每个元素为1或0
Parameters:
vocabList - createVocabList返回的列表
inputSet - 切分的词条列表
Returns:
returnVec - 文档向量,词集模型
Author:
Jack Cui
Blog:
//blog.csdn.net/c406495762
Modify:
2017-08-11
"""def setOfWords2Vec(vocabList, inputSet):
returnVec = [0] * len(vocabList) #创建一个其中所含元素都为0的向量
for word in inputSet: #遍历每个词条
if word in vocabList: #如果词条存在于词汇表中,则置1
returnVec[vocabList.index(word)] = 1
else: print("the word: %s is not in my Vocabulary!" % word) return returnVec #返回文档向量"""
函数说明:将切分的实验样本词条整理成不重复的词条列表,也就是词汇表
Parameters:
dataSet - 整理的样本数据集
Returns:
vocabSet - 返回不重复的词条列表,也就是词汇表
Author:
Jack Cui
Blog:
//blog.csdn.net/c406495762
Modify:
2017-08-11
"""def createVocabList(dataSet):
vocabSet = set([]) #创建一个空的不重复列表
for document in dataSet:
vocabSet = vocabSet | set(document) #取并集
return list(vocabSet)if __name__ == '__main__':
postingList, classVec = loadDataSet()
print('postingList:
',postingList)
myVocabList = createVocabList(postingList)
print('myVocabList:
',myVocabList)
trainMat = [] for postinDoc in postingList:
trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
print('trainMat:
', trainMat)postingList:
[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'], ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'], ['stop', 'posting', 'stupid', 'worthless', 'garbage'], ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'], ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
myVocabList:
['park', 'him', 'dalmation', 'cute', 'posting', 'has', 'stupid', 'help', 'maybe', 'ate', 'licks', 'please', 'take', 'worthless', 'food', 'is', 'to', 'garbage', 'problems', 'dog', 'quit', 'so', 'stop', 'how', 'mr', 'flea', 'I', 'buying', 'love', 'my', 'steak', 'not']
trainMat:
[[0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0], [1, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1], [0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0], [0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 1, 1, 0], [0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0]]
我们已经得到了词条向量。接下来,我们就可以通过词条向量训练朴素贝叶斯分类器。
# -*- coding: UTF-8 -*-import numpy as np"""
函数说明:创建实验样本
Parameters:
无
Returns:
postingList - 实验样本切分的词条
classVec - 类别标签向量
Author:
Jack Cui
Blog:
//blog.csdn.net/c406495762
Modify:
2017-08-11
"""def loadDataSet():
postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], #切分的词条
['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'],
['stop', 'posting', 'stupid', 'worthless', 'garbage'],
['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
classVec = [0,1,0,1,0,1] #类别标签向量,1代表侮辱性词汇,0代表不是
return postingList,classVec"""
函数说明:根据vocabList词汇表,将inputSet向量化,向量的每个元素为1或0
Parameters:
vocabList - createVocabList返回的列表
inputSet - 切分的词条列表
Returns:
returnVec - 文档向量,词集模型
Author:
Jack Cui
Blog:
//blog.csdn.net/c406495762
Modify:
2017-08-11
"""def setOfWords2Vec(vocabList, inputSet):
returnVec = [0] * len(vocabList) &
本文由职坐标整理并发布,希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道!
您输入的评论内容中包含违禁敏感词
我知道了
请输入正确的手机号码
请输入正确的验证码
您今天的短信下发次数太多了,明天再试试吧!
我们会在第一时间安排职业规划师联系您!
您也可以联系我们的职业规划师咨询:
版权所有 职坐标-一站式IT培训就业服务领导者 沪ICP备13042190号-4
上海海同信息科技有限公司 Copyright ©2015 www.zhizuobiao.com,All Rights Reserved.
沪公网安备 31011502005948号