【朴素贝叶斯】深入浅出讲解朴素贝叶斯算法（公式、原理）

本文收录于《深入浅出讲解自然语言处理》专栏，此专栏聚焦于自然语言处理领域的各大经典算法，将持续更新，欢迎大家订阅！
个人主页：有梦想的程序星空
个人介绍：小编是人工智能领域硕士，全栈工程师，深耕Flask后端开发、数据挖掘、NLP、Android开发、自动化等领域，有较丰富的软件系统、人工智能算法服务的研究和开发经验。
如果文章对你有帮助，欢迎关注、点赞、收藏、订阅。

朴素贝叶斯（Naive Bayes）是一种简单经典的分类算法，它的经典应用案例为人所熟知：文本分类（如垃圾邮件过滤）。

1、贝叶斯定理

先验概率：即基于统计的概率，是基于以往历史经验和分析得到的结果，不需要依赖当前发生的条件。

后验概率：则是从条件概率而来，由因推果，是基于当下发生了事件之后计算的概率，依赖于当前发生的条件。

条件概率：记事件A发生的概率为P(A)，事件B发生的概率为P(B)，则在B事件发生的前提下，A事件发生的概率即为条件概率，记为P(A|B)。

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

贝叶斯公式：贝叶斯公式便是基于条件概率，通过P(B|A)来求P(A|B)，如下：

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

将A看成“规律”，B看成“现象”，那么贝叶斯公式看成：

全概率公式：表示若事件 ${A_1},{A_2}, \cdots ,{A_n}$ 构成一个完备事件组且都有正概率，则对任意一个事件B都有公式成立：

$P(B) = \sum\limits_{i = 1}^n {P(B|{A_i}) \times P({A_i})}$

将全概率公式带入贝叶斯公式中，得到：

$P(A|B) = \frac{{P(B|A) \times P(A)}}{{\sum\limits_{i = 1}^n {P(B|{A_i}) \times P({A_i})} }}$

2、朴素贝叶斯算法的原理

特征条件假设：假设每个特征之间没有联系，给定训练数据集，其中每个样本 $x$ 都包括 $n$ 维特征，即 $x = ({x_1},{x_2}, \cdots ,{x_n})$ ，类标记集合含有 $k$ 种类别，即 $y = ({y_1},{y_2}, \cdots ,{y_k})$ 。

对于给定的新样本 $x$ ，判断其属于哪个标记的类别，根据贝叶斯定理，可以得到 $x$ 属于 ${y_k}$ 类别的概率 $P({y_k}|x)$ ：

$P({y_k}|x) = \frac{{P(x|{y_k}) \times P({y_k})}}{{\sum\limits_k {P(x|{y_k}) \times P({y_k})} }}$

后验概率最大的类别记为预测类别，即： $\mathop {\arg \max }\limits_{{y_k}} P({y_k}|x)$ 。

朴素贝叶斯算法对条件概率分布作出了独立性的假设，通俗地讲就是说假设各个维度的特征 ${x_1},{x_2}, \cdots ,{x_n}$ 互相独立，在这个假设的前提上，条件概率可以转化为：

$P(x|{y_k}) = P({x_1},{x_2}, \cdots ,{x_n}|{y_k}) = \prod\limits_{i = 1}^n {P({x_i}|{y_k})}$

代入上面贝叶斯公式中，得到：

$P({y_k}|x) = \frac{{P({y_k}) \times \prod\limits_{i = 1}^n {P({x_i}|{y_k})} }}{{\sum\limits_k {P({y_k}) \times \prod\limits_{i = 1}^n {P({x_i}|{y_k})} } }}$

于是，朴素贝叶斯分类器可表示为：

$f(x) = \mathop {\arg \max }\limits_{{y_k}} P({y_k}|x) = \mathop {\arg \max }\limits_{{y_k}} \frac{{P({y_k}) \times \prod\limits_{i = 1}^n {P({x_i}|{y_k})} }}{{\sum\limits_k {P({y_k}) \times \prod\limits_{i = 1}^n {P({x_i}|{y_k})} } }}$

因为对所有的 $y_k$ ，上式中的分母的值都是一样的，所以可以忽略分母部分，朴素贝叶斯分类器最终表示为：

$f(x) = \mathop {\arg \max }\limits_{{y_k}} P({y_k}) \times \prod\limits_{i = 1}^n {P({x_i}|{y_k})}$

适用范围：

朴素贝叶斯只适用于特征之间是条件独立的情况下，否则分类效果不好，这里的朴素指的就是条件独立。
朴素贝叶斯主要被广泛地使用在文档分类中。

朴素贝叶斯常用的三个模型有：

高斯模型：处理特征是连续型变量的情况。
多项式模型：最常见，要求特征是离散数据。
伯努利模型：要求特征是离散的，且为布尔类型，即true和false，或者1和0。

4、拉普拉斯平滑

为了解决零概率的问题，法国数学家拉普拉斯最早提出用加1的方法估计没有出现过的现象的概率，所以加法平滑也叫做拉普拉斯平滑。假定训练样本很大时，每个分量 $x$ 的计数加1造成的估计概率变化可以忽略不计，但可以方便有效的避免零概率问题。

$P({y_k}) \times \prod\limits_{i = 1}^n {P({x_i}|{y_k})}$ 是一个多项乘法公式，其中有一项数值为0，则整个公式就为0显然不合理，避免每一项为零的做法就是在分子、分母上各加一个数值。

$P(y) = \frac{{|{D_y}| + 1}}{{|D| + N}}$

$|{D_y}|$ 表示分类 $y$ 的样本数， $|{D}|$ 为样本总数， $N$ 是分类总数。

$P({x_i}|{D_y}) = \frac{{|{D_{y,{x_i}}}| + 1}}{{|{D_y}| + {N_i}}}$

$|{D_{y,{x_i}}}|$ 表示分类 $y$ 属性 $i$ 的样本数， $|{D_y}|$ 表示分类 $y$ 的样本数， $N_i$ 表示 $i$ 属性的可能的取值数。

在实际的使用中也经常使用加 $\lambda (0 \le \lambda \le 1)$ 来代替简单加1。如果对 $N$ 个计数都加上 $\lambda$ ，这时分母也要记得加上 $N \times \lambda$ 。

4、朴素贝叶斯算法的优缺点

优点：

1、朴素贝叶斯模型有稳定的分类效率。
2、对小规模的数据表现很好，能处理多分类任务，适合增量式训练，尤其是数据量超出内存时，可以一批批的去增量训练。
3、对缺失数据不太敏感，算法也比较简单，常用于文本分类。

缺点：

1、需要知道先验概率，且先验概率很多时候取决于假设，假设的模型可以有很多种，因此在某些时候会由于假设的先验模型的原因导致预测效果不佳。
2、对输入数据的表达形式很敏感（离散、连续，值极大极小之类的）。

5、python代码实现

库方法：sklearn.naive_bayes.MultinomialNB(alpha = 1.0)

其中，alpha：拉普拉斯平滑系数

实验内容：sklearn20类新闻分类，20个新闻组数据集包含20个主题的18000个新闻组帖子。

实验方法：首先，加载20类新闻数据，并进行分割。然后，生成文章特征词，接着，使用朴素贝叶斯分类器进行预估。

代码实现：

# coding:utf-8
 
from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
 
 
def naviebayes():
    news = fetch_20newsgroups()
    # 进行数据分割
    x_train, x_test, y_train, y_test = train_test_split(news.data, news.target, test_size=0.25)
    # 对数据集进行特征抽取
    tf = TfidfVectorizer()
    # 以训练集当中词的列表进行每篇文章重要性统计['a','b','c','d']
    x_train = tf.fit_transform(x_train)
    print(tf.get_feature_names())
    x_test = tf.transform(x_test)
    # 进行朴素贝叶斯算法的预测
    mlt = MultinomialNB(alpha=1.0)
    print(x_train.toarray())
    mlt.fit(x_train, y_train)
    y_predict = mlt.predict(x_test)
    print("预测的文章类别为:", y_predict)
    # 得出准确率
    print("准确率为:", mlt.score(x_test, y_test))
 
if __name__ == '__main__':
    naviebayes()

关注微信公众号【有梦想的程序星空】，了解软件系统和人工智能算法领域的前沿知识，让我们一起学习、一起进步吧！

原文链接：https://blog.csdn.net/kevinjin2011/article/details/125099177