统计学习方法----朴素贝叶斯Python实例

朴素贝叶斯

1．朴素贝叶斯法是典型的生成学习方法，实际上学习到生成数据的机制，属于生成模型。生成方法由训练数据学习联合概率分布 $P(X,Y)$，然后基于此模型，对给定的输入$x$,求得后验概率分布$P(Y|X)$ ，以后验概率最大的输出为$y$。具体来说，利用训练数据学习$P(X|Y)$和$P(Y)$的估计，得到联合概率分布：

$$P(X,Y)＝P(Y)P(X|Y)$$
概率估计方法可以是极大似然估计或贝叶斯估计。

2．朴素贝叶斯法的基本假设是条件独立性，

$$\begin{array}{r}P(X=x|Y=c_k)=P\left(X^{(1)}=x^{(1)},\cdots ,X^{(n)}=x^{(n)}|Y=c_k\right)\\ =\prod _{j=1}^{n}P\left(X^{(j)}=x^{(j)}|Y=c_k\right)\end{array}$$
这是一个较强的假设。由于这一假设，模型包含的条件概率的数量大为减少，朴素贝叶斯法的学习与预测大为简化。因而朴素贝叶斯法高效，且易于实现。其缺点是分类的性能不一定很高。

3．朴素贝叶斯法利用贝叶斯定理与学到的联合概率模型进行分类预测。

$$P(Y|X)=\frac{P(X,Y)}{P(X)}=\frac{P(Y)P(X|Y)}{{\sum }_{Y}P(Y)P(X|Y)}$$
将输入$x$分到后验概率最大的类$y$。

$$y=\arg \underset{c_k}{\max }P\left(Y=c_k\right)\prod _{j=1}^{n}P\left(X_j=x^{(j)}|Y=c_k\right)$$
后验概率最大等价于0-1损失函数时的期望风险最小化。

4 . 学习与分类算法

• （1）计算先验概率和条件概率
• （2）对给定的实例$x$，计算后验概率
• （3）通过后验概率最大化准则确定$x$的类

模型：

• 高斯模型
• 多项式模型
• 伯努利模型

GaussianNB 高斯朴素贝叶斯

特征的可能性被假设为高斯

高斯概率分布函数：$$P(x_i|y_k)=\frac{1}{\sqrt{2\pi {\sigma }_{yk}^2}}exp(-\frac{(x_i-{\mu }_{yk}{)}^2}{2{\sigma }_{yk}^2})$$

数学期望(mean)：$\mu$(总体均值)

总体方差：${\sigma }^2=\frac{\sum (X-\mu {)}^2}{N}$

相关参考：https://machinelearningmastery.com/naive-bayes-classifier-scratch-python/

Python实例

加载类库

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from collections import Counter
import math

加载并切分数据

def create_data():
    iris = load_iris()
    df = pd.DataFrame(iris.data, columns = iris.feature_names)
    df['label'] = iris.target
    df.columns = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'label']
    data = np.array(df.iloc[:100, :])
    return data[:, :-1], data[:,-1]

%70作为训练集，%30作为验证集

X, y = create_data()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3 )
print(X.shape)
print(y.shape)
#print(X_train.shape)
print(X_train)

定义高斯朴素贝叶斯模型

class NaiveBayes:
    def __init__(self):
        self.model = None
    
    # 数学期望
    @staticmethod # 在没有实例的时候，直接通过类名就可以访问的方法（参数中不包含self）
    def mean(X):
        return sum(X) / float(len(X))
    
    # 标准差
    def stdev(self, X):
        avg = self.mean(X)
        return math.sqrt(sum([pow(x - avg, 2) for x in X]) / float(len(X)))
    
    # 高斯概率分布函数
    def gaussian_probability(self, x, mean, stdev):
        exponent = math.exp(-(math.pow(x - mean, 2) / (2 * math.pow(stdev, 2))))
        return (1 / (math.sqrt(2 * math.pi) * stdev)) * exponent
    
    # 处理X_train
    def summarize(self, train_data):
        summaries = [(self.mean(i), self.stdev(i)) for i in zip(*train_data)]
        return summaries
    # 使用*运算符将数据集传递给zip（）函数，该运算符将数据集分成每一行的单独列表
    
    # 分类别求出数学期望和标准差
    def fit(self, X, y):
        labels = list(set(y))
        data = {label: [] for label in labels} # 按类别（0,1）分为两个键值对
        print(data)
        for f, label in zip(X, y):
            data[label].append(f) # 对应0或1分类归属为相应的矩阵
        print(data)
        self.model = {
            label: self.summarize(value)
            for label, value in data.items()
        }
        print(self.model)
        return 'gaussianNB train done!'
    
    # 使用高斯概率分布函数计算概率
    def calculate_probabilities(self, input_data):
        probabilities = {}
        for label, value in self.model.items():
            probabilities[label] = 1
            for i in range(len(value)):
                print(value[i]) # 训练数据的期望与标准差
                mean, stdev = value[i]
                probabilities[label] *= self.gaussian_probability(input_data[i], mean, stdev)
                print(probabilities[label])
        return probabilities
    
    # 类别
    def predict(self, X_test):
        label = sorted(
            self.calculate_probabilities(X_test).items(),
            key=lambda x: x[-1])[-1][0] # 取后验概率最大值为预测类别
        #print(sorted(self.calculate_probabilities(X_test).items(),key=lambda x: x[-1]))
        return label
    
    def score(self, X_test, y_test):
        right = 0
        for X, y in zip(X_test, y_test):
            label = self.predict(X)
            if label == y:
                right += 1
        return right / float(len(X_test))

训练并预测点$x$=[4.5, 3.6, 1.5, 0.4]的类别

model = NaiveBayes()
model.fit(X_train, y_train)
print(model.predict([4.5, 3.6, 1.5, 0.4]))

利用测试数据集测试模型精确度

model.score(X_test, y_test)

测试精度为1

scikit-learn实例

from sklearn.naive_bayes import GaussianNB
clf = GaussianNB()
clf.fit(X_train, y_train)
clf.score(X_test, y_test)
clf.predict([[4.4, 3.2, 1.3, 0.2]])

预测点类别是：0，测试数据集的测试精度为1

伯努利模型和多项式模型类似：

from sklearn.naive_bayes import BernoulliNB, MultinomialNB # 伯努利模型、多项式模型

参考：https://github.com/fengdu78/lihang-code