基于weka平台手工实现朴素贝叶斯分类

一、贝叶斯定理

B事件发生后，A事件发生的概率可以如下表示：

$$p(A|B)=\frac{p(A\cap B)}{P(B)}\text{\hspace{1em}(1)}$$

A事件发生后，B事件发生的概率可以如下表示：

$$p(B|A)=\frac{p(A\cap B)}{P(A)}\text{\hspace{1em}(2)}$$

二者做比：

$$\frac{P(A|B)}{P(B|A)}=\frac{P(A)}{P(B)}\text{\hspace{1em}(3)}$$

把 $P(B|A)$ 乘到等式右边后，我们就叨叨了如下贝叶斯定理：

$$P(A|B)=\frac{P(B|A)P(A)}{P(B)}\text{\hspace{1em}(4)}$$

二、贝叶斯分类

将贝叶斯定理的变量名称稍作变换，我们就得到了贝叶斯公式：

$$P(c|\mathbf{x})=\frac{P(\mathbf{x}|c)P(c)}{P(\mathbf{x})}\text{\hspace{1em}(5)}$$

其中，$P(c)$ 表示数据集中 $label$ 为 $c$ 类样本的概率，$\mathbf{x}$ 是输入属性，$P(\mathbf{x})$ 表示输入 $\mathbf{x}$ 发生的概率，$P(\mathbf{x}|c)$ 是 $c$ 发生条件下 $\mathbf{x}$ 发生的概率。

我们通过公式5，来表示我们把输入 $\mathbf{x}$ 分为 $c$ 类的概率，这就是贝叶斯分类。

进一步理解，$P(c)$叫做先验概率，$P(x|c)$叫做似然概率，二者相乘，最终的结果就可以很好的表征样本为某个类别的可能性大小。

三、朴素贝叶斯

从上面的式5可以看出，我们如果想要预测一个输入$\mathbf{x}$的类别，我们只需要得到训练数据集中的 $P(c)$ 和 $P(\mathbf{x}|c)$ 就可以了，$P(x)$不需要。

因为我们的预测过程是，给出一个样本输入$x$，假设这个样本可能的类别为 C = { c ∣ c 0 , c 1 , . . . , c n } C=\{c|c_0,c_1,...,c_n\} C={ c∣c0​,c1​,...,cn​}；

我们根据贝叶斯公式，计算 $P(c_0)$，$P(c_1)$，……，$P(c_n)$ ；

最后，我们选择一个最大的$P(c)$作为我们最终的预测类别 $c^{\prime }$，模型预测结束。

而在这个过程中，我们的输入$x$ 是相同的，因此 $P(\mathbf{x})$ 也是相同的，所以我们不需要管它，就选择分子最大的就可以了。

3.1 计算$P(c)$

这个很好计算，我们直接统计一下，数据集中不同类别的数据的频率就可以了，大数定律告诉我们，当数据集足够大的时候，我们可以使用频率来逼近概率。

3.2 计算$P(\mathbf{x}|c)$

这个思路也很简单，同样是统计，统计数据集中，label属于 $c$ 的，同时输入属性为 $\mathbf{x}$ 的数据的频率，在数据量比较大的情况下，同样使用频率逼近概率。

但是，这里的 $\mathbf{x}$ 是由不同的输入属性组合到一起最终合成的，它具有非常多种的情况，是组合问题，这种问题统计起来是会出现复杂度爆炸的情况的，无法在多项式的时间内完成程序的运算，换言之为一种 NP 难问题。

3.3 属性独立假设

为了解决这种 NP 难问题，我们采用了属性条件独立假设，进而就诞生了朴素贝叶斯。

朴素贝叶斯分类通过属性独立假设，近似求解了$P(\mathbf{x}|c)$这个NP难问题，而且近似的效果非常好，可以取得很棒的分类效果。

假设所有属性为独立分布的，我们可以得到如下式子：

$$P(\mathbf{x}|c)=\prod _{i=0}^{d}P(x_i|c)\text{\hspace{1em}(6)}$$

其中d为属性数目，$x_i$ 为 $\mathbf{x}$ 在第 $i$ 个属性上的取值。

将式(6)带入式(5)可以得到如下结果：

$$P(c|\mathbf{x})=\frac{P(\mathbf{x}|c)P(c)}{P(\mathbf{x})}=\frac{P(c)}{P(\mathbf{x})}\prod _{i=0}^{d}P(x_i|c)\text{\hspace{1em}(7)}$$

这里面的 $P(x_i|c)$ 是很有限的，它的数量可以表示为${\sum }_{i=1}^{n}numAttributesValues(i)\times numClassValues$。在程序设计中我们可以采用一个二维的List数组、三维double数组或者二维数组表示三维数组等多种方法来存储这个变量。（具体可以看下面代码，为了代码的可读性和简洁性，我是采用二维List来进行表示的）

其中$n$表示输入$\mathbf{x}$的属性数量，$numAttributesValues(i)$ 表示第i个属性的可能取值的数量，$numClassValues$ 表示 label 有多少个类别。

从上面也可以看出，贝叶斯分类器天然是用来处理名词性属性的，如果我们遇到了数值型属性，就需要进行一下数据离散化处理，才能采用贝叶斯进行分类。数据离散化处理方法有很多，比如：等高分箱、等宽分享，以及基于概率分布的划分等。

四、基于weka的代码实现

package weka.classifiers.myf;

import weka.classifiers.Classifier;
import weka.core.*;
import java.util.ArrayList;
import java.util.Enumeration;
import java.util.List;

/**
 * @author YFMan
 * @Description 朴素贝叶斯 分类器
 * @Date 2023/5/14 18:48
 */
public class myNaiveBayes extends Classifier {
    
    

    // 用于存储 朴素贝叶斯 属性参数
    protected List<Integer>[][] m_Distributions;

    // 用于存储 朴素贝叶斯 类别参数
    protected List<Integer> m_ClassDistribution;

    // 类别参数 的 种类数量
    protected int m_NumClasses;

    // 存储训练数据
    protected Instances m_Instances;

    /*
     * @Author YFMan
     * @Description 训练分类器，初始化 属性参数 和 类别参数
     * @Date 2023/5/14 21:42
     * @Param [instances 训练数据]
     * @return void
     **/
    public void buildClassifier(Instances instances) throws Exception {
    
    
        // 初始化训练数据
        m_Instances = instances;
        // 初始化类别参数 的 种类数量
        m_NumClasses = instances.numClasses();

        // 初始化 属性参数
        m_Distributions = new List[instances.numAttributes() - 1][m_NumClasses];
        for(int i=0;i<instances.numAttributes() - 1;i++){
    
    
            for(int j=0;j<m_NumClasses;j++){
    
    
                m_Distributions[i][j] = new ArrayList<>();
            }
        }
        // 初始化 类别参数
        m_ClassDistribution = new ArrayList<>();
        for(int i=0;i<m_NumClasses;i++){
    
    
            m_ClassDistribution.add(0);
        }

        // 获取属性参数的枚举类型
        Enumeration attributeEnumeration = instances.enumerateAttributes();
        // 遍历属性参数
        while (attributeEnumeration.hasMoreElements()) {
    
    
            // 获取属性参数
            Attribute attribute = (Attribute) attributeEnumeration.nextElement();
            // 获取属性参数的索引
            int attributeIndex = attribute.index();
            // 获取属性参数的值的枚举类型
            Enumeration attributeValueEnumeration = attribute.enumerateValues();
            // 遍历属性参数的值
            while (attributeValueEnumeration.hasMoreElements()) {
    
    
                // 获取属性参数的值
                String attributeValue = (String) attributeValueEnumeration.nextElement();
                // 遍历类别参数
                for (int classIndex = 0; classIndex < m_NumClasses; classIndex++) {
    
    
                    // 初始化 属性参数 的 某个值 的 某个类别参数 的 计数
                    m_Distributions[attributeIndex][classIndex].add(0);
                }
            }
        }

        // 遍历训练数据
        for (int instanceIndex = 0; instanceIndex < instances.numInstances(); instanceIndex++) {
    
    
            // 获取训练数据的实例
            Instance instance = instances.instance(instanceIndex);
            // 获取训练数据的类别参数的值
            int classValue = (int) instance.classValue();
            // 遍历属性参数
            for (int attributeIndex = 0; attributeIndex < instances.numAttributes() - 1; attributeIndex++) {
    
    
                // 获取训练数据的属性参数的值
                int attributeValue = (int) instance.value(attributeIndex);
                // 计数
                m_Distributions[attributeIndex][classValue].set(attributeValue,
                        m_Distributions[attributeIndex][classValue].get(attributeValue) + 1);
            }
            // 计数
            m_ClassDistribution.set(classValue, m_ClassDistribution.get(classValue) + 1);
        }
    }

    /*
     * @Author YFMan
     * @Description 根据给定的实例，预测其类别
     * @Date 2023/5/14 21:43
     * @Param [instance 给定的实例]
     * @return double[]
     **/
    public double[] distributionForInstance(Instance instance)
            throws Exception {
    
    
        // 初始化预测概率数组
        double[] predictionProbability = new double[m_NumClasses];
        // 遍历类别参数
        for (int classIndex = 0; classIndex < m_NumClasses; classIndex++) {
    
    
            // 初始化预测概率
            double prediction = 1;
            // 遍历属性参数
            for (int attributeIndex = 0; attributeIndex < m_Instances.numAttributes() - 1; attributeIndex++) {
    
    
                // 获取属性参数的值
                int attributeValue = (int) instance.value(attributeIndex);
                // 获取 当前属性 可能的取值数
                int attributeValueCount = m_Distributions[attributeIndex][classIndex].size();
                // 计算条件概率P(x|c) (当前属性值在当前类别下占的比例) (拉普拉斯平滑)
                double p_x_c =  (double) (m_Distributions[attributeIndex][classIndex].get(attributeValue) + 1) /
                        (m_ClassDistribution.get(classIndex) + attributeValueCount);
                // 计算预测概率
                prediction *= p_x_c;
            }
            // 计算先验概率P(c) (当前类别占总类别的比例) (拉普拉斯平滑)
            double p_c = (double) (m_ClassDistribution.get(classIndex) + 1) /
                    (m_Instances.numInstances() + m_NumClasses);
            // 计算预测概率
            predictionProbability[classIndex] = prediction * p_c;
        }
        // 归一化
        Utils.normalize(predictionProbability);
        // 返回预测概率数组
        return predictionProbability;
    }

    /*
     * @Author YFMan
     * @Description 主函数
     * @Date 2023/5/14 21:54
     * @Param [argv 命令行参数]
     * @return void
     **/
    public static void main(String[] argv) {
    
    
        runClassifier(new myNaiveBayes(), argv);
    }
}