日志

朴素贝叶斯(Naive Bayes)

朴素贝叶斯算法是一种基于贝叶斯理论的监督学习算法

对于一个含有n个特征(x1,x2 … xn)的样本,由贝叶斯理论可知它属于类y的概率为:

朴素贝叶斯算法假设特征之间是独立的,所以有:

因此有:

由于 P(x1 x2…xn ) 对所有类别是相同的,可以省略,即:

分别计算各个类别的概率,概率最大的类别则为最终的分类(最大后验概率),因此朴素贝叶斯算法最终表示为:

备注:P(y) 表示训练样本中类y的样本占比(先验概率)。

常见模型

朴素贝叶斯模型主要有三类常见的变形,即高斯模型、多项式模型以及伯努利模型。它们最大的不同在于对条件概率 P(x_i│y) 的计算差异,即对先验分布的假设不同。

高斯朴素贝叶斯模型(Gaussian Naive Bayes):

当特征是连续变量(身高、年龄)时,可以假设特征符合高斯分布,则

其中 μ_y 为类y样本中特征 x_i 的平均数,σ_y 为 y 类样本中特征 x_i 的标准差。
训练高斯模型实质是就是计算每个类别对应于特征的均值和标准差,例如:
{0:[(mean1, std1), (mean2, std2)], 1:[(mean1, std1), (mean2, std2)]}

多项式朴素贝叶斯(Multinomial Naive Bayes):

多项式模型可用于处理离散特征,例如:文本分类问题,特征 x_i 表示某个词在样本中出现的次数(当然用TF-IDF表示也可以)。条件概率计算公式为:

N_yi 表示类 y 的所有样本中特征 x_i 的特征值之和;
N_y 表示类 y 的所有样本中全部特征的特征值之和;
α 表示平滑值(α∈[0-1]),主要为了防止训练样本中某个特征没出现而导致 N_yi=0,从而导致条件概率 P(x_i│y)=0 的情况,如果不加入平滑值,则计算联合概率时由于某一项为 0 导致后验概率为 0 的异常情况出现。
n 表示特征总数。
多项式模型的预测公式为(即需要考虑出现次数的权重):

伯努利朴素贝叶斯(Bernoulli Naive Bayes):

伯努利模型的特征为布尔型,即只有1或者0两个取值,例如:在文本分类问题中,表示某个词是否出现在样本中。与多项式模型不同的是,多项式模型只考虑存在的特征,不存在的特征直接忽略条件概率的计算,而伯努利模型考虑的是全局特征,即使某个特征不存在,也会考虑不存在的可能性,条件概率计算公式为:

合并两式得:

伯努利模型适合处理短文本分类问题,因为相比计算某个词出现的次数,短文本往往对某个词是否出现更敏感。

技巧


在计算联合概率时条件概率有时会非常小,而大量特征的连乘效应容易导致数值问题(underflow),因此可以通过求对数概率(log probability)的方式将连乘转为求和,即:

对于多项式模型:

优点

  1. 简单、高效、适合增量训练。
  2. 能用于二分类和多分类。
  3. 能处理离散特征和连续特征。
  4. 对无关特征不敏感。
  5. 较少的训练数据也有不错的效果

缺点

  1. 因为朴素贝叶斯假设特征之间是独立的,因此无法学习特征之间的关系。

应用场景

  1. 文本分类
  2. 垃圾邮件过滤
  3. 天气预测

逻辑回归与朴素贝叶斯的区别

学习机制不同:

  1. 朴素贝叶斯根据训练数据估计先验概率 P(y) 以及条件概率P(x | y),再根据预测特征计算联合概率从而得出P(y | x),因此它是一个生成模型。
  2. 逻辑回归通过最大化判别函数P(y | x)(相当于最小化误差)来直接学习特征x和标签y的关系,因此它是一个判别模型。

模型假设不同:

  1. 朴素贝叶斯基于特征独立假设,如果存在特征相互依赖则可能准确性较低。
  2. 逻辑回归没有特征独立的约束,对于关联特征的表现依然很好。

模型限制不同:

  1. 朴素贝叶斯只需要较少的训练数据即可有良好的效果。
  2. 逻辑回归需要相对较多的训练数据才能有良好的效果,否则可能导致过拟合。(当数据足够多时,逻辑回归的效果一般会更好)
转载请注明出处:

© http://hejunhao.me