算法回顾
图片来源:https://medium.com/machine-learning-101/chapter-1-supervised-learning-and-naive-bayes-classification-part-1-theory-8b9e361897d5
贝叶斯分类算法属于有监督机器学习(Supervised Learning)。贝叶斯分类器是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类。其中朴素贝叶斯分分类是贝叶斯分类中最简单的,也是最常见的一种分类方法。
朴素贝叶斯分类算法的核心如下公式:
P(A):它是先验该率(Prior Probability),是A发生的概率。
P(B): 是边际可能性(Marginal Likelihood):是B发生的概率。
P(B|A):是可能性(likelihood),基于给定的A,B发生的概率,即已知A发生,B发生的概率。
P(A|B):是后验概率(Posterior Probability):基于给定的B,A发生的概率,即已知B发生,A发生的概率。
换个表达式可能理解的就会更加透彻:
以下是从Udemy上借鉴的一个例子:
假设有两个特征,分别为工资(Salary)和年龄(Age),已知有两种分类分别为:步行(Walks)和自驾(Drives),如上图所示。
当有一个新数据点进来时(如灰色点),基于给定它的特征工资和年龄,应该把它分为哪类?
其中,$P(Walks) = {10} \over {30}$,$P(Drives)={20} \over {30}$。
首先计算P(Walks|X)的概率,可以参见如下公式:
首先,需要自定义一个参考集,如下图中虚线所示。
计算$P(Walks|X)$后计算$P(Drivers|X)$,通过比较两个概率的大小,来决定灰色点属于哪类(Walks 或者 Drives)。通过比较不难得出灰色点属于“步行上班”类别(此处省略计算过程)。
在机器学习中,朴素贝叶斯分类器是基于贝叶斯理论(该理论中有很强的特征间独立性假设)的一个简单“概率分类”的家族。因此,朴素贝叶斯分类算法属于概率的机器学习(probabilistic machine learning),并且可应用于很多分类的任务中。典型的应用有垃圾邮件筛选(filtering spam),分类文件(classifying documents),情绪预测(sentiment prediction)。
在scikit-learn中,一共提供三种朴素贝叶斯的方法,分别为高斯朴素贝叶斯(Gaussian Naive Bayes)、二项式朴素贝叶斯(Multinomial Naive Bayes),伯努利朴素贝叶斯(Bernoulli Naive Bayes)和补足朴素贝叶斯(Complement Naive Bayes)。官方文档中给出以高斯朴素贝叶斯为例的代码,示例如下:
>>> from sklearn.datasets import load_iris >>> from sklearn.model_selection import train_test_split >>> from sklearn.naive_bayes import GaussianNB >>> X, y = load_iris(return_X_y=True) >>> X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=0) >>> gnb = GaussianNB() >>> y_pred = gnb.fit(X_train, y_train).predict(X_test) >>> print("Number of mislabeled points out of a total %d points : %d" ... % (X_test.shape[0], (y_test != y_pred).sum())) Number of mislabeled points out of a total 75 points : 4
分类概率在一些机器模型中应用广泛,在scikit-learn中,大多数机器学习算法通过使用predict_proba函数,允许计算样本各类别的概率。这个功能对于一些情况下是极为有效的,例如,如果某一类的模型预测概率是大于欧90%的。但是,包括朴素贝叶斯等模型,它的模型预测概率与现实中的概率不尽相同。例如,函数predict_proba预测某个样本属于某类的样本概率是70%,而实际只有0.1或者0.99。尤其对于朴素贝叶斯模型而言,尽管不同目标类的预测概率有效(valid),但原始概率往往采用接仅0和1的极端值。
为了得到有意义的预测概率,需要采用模型“校正”(calibration)。在scikit-learn中,使用CalibratedClassifierCV分类,通过k折交叉验证(k-fold cross-validation)来生成“好的”校正的预测概率。在CalibratedClassifierCV中,训练集用于训练模型,测试集用于矫正模型预测概率。返回的预测概率是k-fold的均值。详见参考 文章。
代码示例如下:
# 导入相关的库 from sklearn import datasets from sklearn.naive_bayes import GaussianNB from sklearn.calibration import CalibratedClassifierCV # 载入莺尾花数据集 iris = datasets.load_iris() X = iris.data y = iris.target # 构建朴素贝叶斯分类对象 clf = GaussianNB() # 构建校正器 clf_sigmoid = CalibratedClassifierCV(clf, cv=2, method='sigmoid') # 构建带有校正概率的分类器 clf_sigmoid.fit(X, y) # 构建新样本 new_observation = [[ 2.6, 2.6, 2.6, 0.4]] # 得到矫正后的概率 clf_sigmoid.predict_proba(new_observation)
根据Alexandru和Rich在2005年发表的题为“Predicting Good Probabilities With Supervised Learning”论文[1]中指出:对于朴素贝叶斯模型而言,对于不同校正集合的大小,Isotonic Regression的表现都优于Platt Scaling方法(在CalibratedClassifierCV中,用参数method定义)。因此,这对朴素贝叶斯模型的参数设置,可以优先考虑Isotonic Regression方法。
参考文章:
[1] Niculescu-Mizil, A., & Caruana, R. (2005, August). Predicting good probabilities with supervised learning. In Proceedings of the 22nd international conference on Machine learning (pp. 625-632).
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14