一、理论部分
这部分涉及较多的理论知识。通俗易懂，公式不多说。
详见《概率论与数理统计教材》、周志华《西瓜书》、李航《统计学习(Statistical learning)法》。
1.1、极大似然估计(Maximum Likelihood Estimation)。
直接例子
例：假设(Hypothesis)袋子里有n个球，n无限大。只有黑球和白球，每次有放回的 从袋子随机拿100次球。80次白球，20次黑球。问：袋子里白球概率为 什么值的时候 概率最大？
解析：假设(Hypothesis)袋子里白球概率为p。我们现在知道的是我们拿100次的结果。相当于用这100次估算n个球里白球的概率。更为经典的是硬币的正反面问题，当我们投足够多的时候，就越接近真实概率值。这个思想对我们来讲非常关键。
解：设袋子里白球概率为p
从题意来看，我们每次拿球都放回去了，抢球的事件是独立同分布(Independent and identically distributed)(Distribution)的。
P(80白20黑) = P(白)**80+P(黑)**20 = p**80+(1-p)**20
求p值使得P(80白20黑) 最大。求导，导数取0就可以计算出来。指数不方便求导，就先转log再求导取0也是一样的(x,log(x)同增同减)。计算也比较简单。问题转化成对ln（p）求导取0得：
80/p+(-20/(1-p)) = 0
求得 p=0.8。
使用已知数据预测未知数据（先验(Prior)概率分布(probability distribution)(Distribution)和后验概率(posterior probability)分布(Distribution)）。
1.2、贝叶斯分类。
让我继续想一个例子。 . . … .
举个简单的栗子：判断员工是否是公司的高管？
随机抽取10人。现有特征（a1，a2，a3，b) 。a1：年龄是否大， a2：工龄是否长，a3：学历是否高。b：是否高层（0代表否，1代表是）
（0,0,0,0）
（0,0,0,0）
（0,0,0,0）
（0,0,1,0）
（0,1,1,0）
（1,0,0,0）
（0,1,0,0）
（0,0,1,1）
（0,1,1,1）
（1,1,1,1）
【数据如你所想，实际数据应根据实际情况获取】
现在随机选一个人，年龄大，工作经验长，学历高。预测他是否属于顶级？
解决方案：计算概率
P（是高层|所有数据集(Dataset)） = 3/10 P（不是高层|所有数据集(Dataset)）= 7/10
P（年龄大|是高层）= 1/3 P（工龄长|是高层）= 2/3 P（学历高|是高层） = 1/1
P（年龄大|不是高层）= 1/7 P（工龄长|不是高层）= 2/7 P（学历高|不是高层） = 2/7
假设(Hypothesis)他属于顶部：
P1 = P(是高层|所有数据集(Dataset)) * P（年龄大|是高层）* P（工龄长|是高层）* P（学历高|是高层）
= 3/10 * 1/3 * 2/3 * 1/1 = 6/90 = 0.0667
假设(Hypothesis)他不属于顶层：
P0 = P(是高层|所有数据集(Dataset))*P（年龄大|是高层）* P（工龄长|是高层）*P（学历高|是高层）
= 7/10 * 1/7 * 2/7 * 2/7 = 28/3430 = 0.00816
由 P1 > P0:
我们预测他属于顶级
我们用10组数据（训练集）的分布(Distribution)，估计出全公司的人员分布(Distribution)。利用分布(Distribution)各个特征互相独立。计算出概率，哪种概率大 我们预测新的样本属于哪一类。下面用代码来实现下。
二、代码实现
2.1、代码解释
我们先看一下先写的完整代码。
import numpy as np
class BayesModel():
def __init__(self):
super(BayesModel,self).__init__()
self.ng_result = [] # 存放ng的概率
self.ok_result = [] # 存放ok的概率
def probability(self,a,b):
p_a = a/(a+b)
p_b = 1-p_a
return p_a,p_b
def fit(self,x,y):
columns = x.shape[1] # 为了获取特征的数量，我们上述例子是3个特征 （年龄，工龄，学历）
data = np.c_[x,y] # 连接到同一个numpy，方便操作
ng_data = data[(data[:,-1] == 0)] # 把结果ng的数据取出来
ok_data = data[(data[:,-1] == 1)] # 把结果ok的数据取出来
ng_len,ok_len = ng_data.shape[0],ok_data.shape[0]
self.ng,self.ok = self.probability(ng_len,ok_len)
for i in range(columns):
ng_len_ng = ng_data[(ng_data[:,i] == 0)].shape[0]
ng_len_ok = ng_len - ng_len_ng
ok_len_ng = ok_data[(ok_data[:,i] == 0)].shape[0]
ok_len_ok = ok_len - ok_len_ng
self.ng_result.append(self.probability(ng_len_ng,ng_len_ok))
self.ok_result.append(self.probability(ok_len_ng,ok_len_ok))
def predict(self,data_data):
list_result = [] # 存放预测的结果
for datas in data_data:
ng,ok = self.ng,self.ok
for index,data in enumerate(datas):
if data == 0:
ng = ng*self.ng_result[index][0]
ok = ok*self.ok_result[index][0]
else:
ng = ng*self.ng_result[index][1]
ok = ok*self.ok_result[index][1]
if ng>ok:
list_result.append(0)
else:
list_result.append(1)
return list_result
if __name__ == '__main__':
x1 = np.array([0,0,0,0,0,1,0,0,0,1]).reshape(-1,1)
x2 = np.array([0,0,0,0,1,0,1,0,1,1]).reshape(-1,1)
x3 = np.array([0,0,0,1,1,0,0,1,1,1]).reshape(-1,1)
x = np.c_[x1,x2,x3]
y = np.array([0,0,0,0,0,0,0,1,1,1]).reshape(-1,1)
print(x)
print(y)
bayes = BayesModel()
bayes.fit(x,y)
predict = bayes.predict([[1,1,1],[0,1,1],[1,1,0]])
print(bayes.predict(x)) # 预测下我们的训练集定义一个函数，因为我们是二分类(Binary classification)结果是yes/no，特征也只有yes/no。所以我们定义个求概率的函数。这个比较简单。输入(input)两个值如4，1 返回两个概率值0.8，0.2。
def probability(self,a,b):
p_a = a/(a+b)
p_b = 1-p_a
return p_a,p_b
建立模型并将概率数据保存到相应的列表中。
1、先算出结果为ng与ok的数据概率。并把这两部分数据提取出来，ng_data,ok_data
2、对ng_data,ok_data计算出各个特征的ng/ok的概率，并存入相应的列表里。
def fit(self,x,y):
columns = x.shape[1] # 为了获取特征的数量，我们上述例子是3个特征 （年龄，工龄，学历）
data = np.c_[x,y] # 连接到同一个numpy，方便操作
ng_data = data[(data[:,-1] == 0)] # 把结果ng的数据取出来
ok_data = data[(data[:,-1] == 1)] # 把结果ok的数据取出来
ng_len,ok_len = ng_data.shape[0],ok_data.shape[0]
self.ng,self.ok = self.probability(ng_len,ok_len)
for i in range(columns):
ng_len_ng = ng_data[(ng_data[:,i] == 0)].shape[0]
ng_len_ok = ng_len - ng_len_ng
ok_len_ng = ok_data[(ok_data[:,i] == 0)].shape[0]
ok_len_ok = ok_len - ok_len_ng
self.ng_result.append(self.probability(ng_len_ng,ng_len_ok))
self.ok_result.append(self.probability(ok_len_ng,ok_len_ok))这段是预测，由函数fit已经构建完模型，数据存到列表。现在想预测新的样本集。
先看传入进来的data_data是几组数据，然后每组数据进行枚举，概率相乘，最后判断ng与ok那种概率大。最后返回出整个结果。思路和整个代码都比较简单。
def predict(self,data_data):
list_result = [] # 存放预测的结果
for datas in data_data:
ng,ok = self.ng,self.ok
for index,data in enumerate(datas):
if data == 0:
ng = ng*self.ng_result[index][0]
ok = ok*self.ok_result[index][0]
else:
ng = ng*self.ng_result[index][1]
ok = ok*self.ok_result[index][1]
if ng>ok:
list_result.append(0)
else:
list_result.append(1)
return list_result 数据集(Dataset)用于判断是否为高级数据。
if __name__ == '__main__':
x1 = np.array([0,0,0,0,0,1,0,0,0,1]).reshape(-1,1)
x2 = np.array([0,0,0,0,1,0,1,0,1,1]).reshape(-1,1)
x3 = np.array([0,0,0,1,1,0,0,1,1,1]).reshape(-1,1)
x = np.c_[x1,x2,x3]
y = np.array([0,0,0,0,0,0,0,1,1,1]).reshape(-1,1)
print(x)
print(y)
bayes = BayesModel()
bayes.fit(x,y)
predict = bayes.predict([[1,1,1],[0,1,1],[1,1,0]])2.2、完整代码
代码可以直接运行
import numpy as np
class BayesModel():
def __init__(self):
super(BayesModel,self).__init__()
self.ng_result = [] # 存放ng的概率
self.ok_result = [] # 存放ok的概率
def probability(self,a,b):
p_a = a/(a+b)
p_b = 1-p_a
return p_a,p_b
def fit(self,x,y):
columns = x.shape[1] # 为了获取特征的数量，我们上述例子是3个特征 （年龄，工龄，学历）
data = np.c_[x,y] # 连接到同一个numpy，方便操作
ng_data = data[(data[:,-1] == 0)] # 把结果ng的数据取出来
ok_data = data[(data[:,-1] == 1)] # 把结果ok的数据取出来
ng_len,ok_len = ng_data.shape[0],ok_data.shape[0]
self.ng,self.ok = self.probability(ng_len,ok_len)
for i in range(columns):
ng_len_ng = ng_data[(ng_data[:,i] == 0)].shape[0]
ng_len_ok = ng_len - ng_len_ng
ok_len_ng = ok_data[(ok_data[:,i] == 0)].shape[0]
ok_len_ok = ok_len - ok_len_ng
self.ng_result.append(self.probability(ng_len_ng,ng_len_ok))
self.ok_result.append(self.probability(ok_len_ng,ok_len_ok))
def predict(self,data_data):
list_result = [] # 存放预测的结果
for datas in data_data:
ng,ok = self.ng,self.ok
for index,data in enumerate(datas):
if data == 0:
ng = ng*self.ng_result[index][0]
ok = ok*self.ok_result[index][0]
else:
ng = ng*self.ng_result[index][1]
ok = ok*self.ok_result[index][1]
if ng>ok:
list_result.append(0)
else:
list_result.append(1)
return list_result
if __name__ == '__main__':
x1 = np.array([0,0,0,0,0,1,0,0,0,1]).reshape(-1,1)
x2 = np.array([0,0,0,0,1,0,1,0,1,1]).reshape(-1,1)
x3 = np.array([0,0,0,1,1,0,0,1,1,1]).reshape(-1,1)
x = np.c_[x1,x2,x3]
y = np.array([0,0,0,0,0,0,0,1,1,1]).reshape(-1,1)
print(x)
print(y)
bayes = BayesModel()
bayes.fit(x,y)
predict = bayes.predict([[1,1,1],[0,1,1],[1,1,0]])
print(bayes.predict(x)) # 预测下我们的训练集看下结果2.3、改进思路
1、如何实现多分类(Multi-class classification)。
这部分只有二分类(Binary classification)，要想多分类(Multi-class classification)就不能只是0与1这么简单。模型要兼容多分类(Multi-class classification)，可以对结果集利用np.unique(),然后取出值进行分类。特征单个种类分类多，也可以使用这种方法。如果比如身高这些特征符合正态分布(normal distribution)(Distribution)，需要用正态分布(normal distribution)(Distribution)概率进行计算。
2、可以发现，如果通过此数据集(Dataset)，P（学历不高|是高层）= 0，因为我们是连乘计算概率，所以会出现一种情况是，只要他学历不高，那么他是高层概率为0。按照常理讲这是不合理的。解决方式：增加数据训练集；拉普拉斯平滑(Smoothing)(Laplace smoothing)处理，调整probability 函数计算概率的方式 ，分子加一，分母加特征种数。这部分也比较简单，具体可以参考文章开头说的。
3、如何提升预测准度。
3.1、提高训练集数据的质量。基本所有机器学习(machine learning)对训练集的数据要求都很高，贝叶斯更是如此，如果你选取的数据质量不高，没有代表性，抽选随机性不高。对模型影响很大。
3.2、增加训练集的数量。这个非常好理解，我们投硬币，投的次数越多，正面概率越解决1/2。更接近真实值。
3.3、选取特征。关于如何选取特征，这里不进行深度讨论。我们只针对例题，我们选取年龄大，工龄长，学历高是否合理。我们知道贝叶斯假设(Hypothesis)是各个特征独立，那么我们选取特征的时候尽量不要有冗余，特征之间相关性不要太大。
文章出处登录后可见！
