【机器学习模型详细推导5】-朴素贝叶斯分类

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/KevinBetterQ/article/details/84500964

一. 朴素贝叶斯分类介绍

首先，对于更定数据集 $\{ (x_1,y_1),(x_2,y_2),…,(x_m,y_m) \}$，可以得到 $P(X|Y)$ 和 $P(Y)$ 的估计；（基于特征条件独立假设和先验概率）
然后，利用 $P(X,Y) = P(X|Y)P(Y)$可以学习 联合概率分布 ；
最后，对于确定的 $x$ ，通过比较不同 $y$ 值的 $P(y|x) = \frac{P(x,y)}{P(x)}$ 的大小，得到最大的 $P$ 所对应的 $y$ 即为输出 $y$ 值。（比较后验概率）

这里有必要解释一下先验概率和后验概率：
1、先验概率：统计概率，通过历史的数据统计出的事情发生的概率
2、后验概率：条件概率，当下由因及国的概率
例子：
先验——根据若干年的统计（经验）或者气候（常识），某地方下雨的概率；
后验——根据天上有乌云（原因或者证据/观察数据），下雨（结果）的概率；
3、似然：是根据已知结果去推测固有性质的可能性，是对固有性质的拟合程度。在乎的是 x 和 y 的搞演习，拟合程度，所以不能称为概率，为似然函数。
似然——下雨（果）的时候有乌云（因/证据/观察的数据）的概率，即已经有了果，对证据发生的可能性描述；

二. 算法推导详解

1、朴素贝叶斯法利用贝叶斯定理和学到的联合概率模型进行分类预测：
其实就是一个公式（求解后验概率分布）：
$P(Y|X) = \frac{P(X,Y)}{P(X)}$

$P(X,Y)$： 通过训练数据学习获得，第2节介绍
$P(X)$ ：因为模型最终根据输入 X 的分类是通过比较不同输出 y 的 P(Y|X) 大小来确定。而对于相同的 X ，其 P(X) 是确定的，对于大小比较没有影响，所以 P(X) 就不需要计算了。

所以，朴素贝叶斯分类模型 （非最终版）：
$y = arg \; {max}_{c_k} \; P(X=x,Y=c_k)$
样本数据用于训练联合概率分布 $P(X,Y)$，模型做的就是将输入 x 分到后验概率最大的类 y 。

2、如何训练得到联合概率分布 P(X,Y)：
$P(X,Y) = P(Y)P(X|Y)$1）P(X|Y)计算过程：
朴素贝叶斯的基本假设是条件独立性，称为 特征条件独立性假设：
$\begin {aligned} P(X=x|Y=c_k) &= P(X^{(1)}=x^{(1)},…,X^{(n)}=x^{(n)}|Y=c_k)\\ &=\prod_{j=1}^{n}P(X^{(j)}=x^{(j)}|Y=c_k) \end {aligned}$

条件独立性假设： 等于是说用于分类的特征在类确定的情况下都是条件独立的。
”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大减少，朴素贝叶斯法的学习和预测大为简化。因此朴素贝叶斯法高效且易于实现，但牺牲了一定的分类准确率“

2） $P(Y=c_k)$ 的计算过程：
就是统计所有样本中 $Y=c_k$的样本数占所有样本的比例，不用管 X 。

3、朴素贝叶斯分类模型 （最终版）：

$y = arg \; {max}_{c_k} \; P(Y=c_k)\prod_{j=1}^{n}P(X^{(j)}=x^{(j)}|Y=c_k)$
模型做的就是将输入 $x_i=(x_i^{(1)},x_i^{(2)},…,x_i^{(n)})^T$ 分到后验概率最大的类 $c_k$ 中。

注意：这里利用样本数据学习到的是一个分布（联合概率分布 P(X,Y)），而不是像其它ML模型训练那样学习参数。

三. 附上《统计学习方法》中的算法流程

---

参考：
1《统计学习方法》李航
2 机器学习知识点(二十七)先验概率和后验概率理解