
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
若不方便扫码,搜微信号:CDAshujufenxi
t 检验与 Wilcoxon 检验:数据差异比较的两大统计利器 在数据分析中,“比较差异” 是核心需求之一 —— 如新药疗效是否优于旧药 ...
2025-08-26季节性分解外推法:解锁时间序列预测的规律密码 在商业决策、资源调度、政策制定等领域,准确的预测是规避风险、提升效率的关键 ...
2025-08-26CDA 数据分析师:数据治理驱动下的企业数据价值守护者 在数字经济时代,数据已成为企业核心战略资产,其价值的释放离不开高 ...
2025-08-26基于 SPSS 的 ROC 曲线平滑调整方法与实践指南 摘要 受试者工作特征曲线(ROC 曲线)是评估诊断模型或预测指标效能的核心工具, ...
2025-08-25神经网络隐藏层神经元个数的确定方法与实践 摘要 在神经网络模型设计中,隐藏层神经元个数的确定是影响模型性能、训练效率与泛 ...
2025-08-25CDA 数据分析师与数据思维:驱动企业管理升级的核心力量 在数字化浪潮席卷全球的当下,数据已成为企业继人力、物力、财力之后的 ...
2025-08-25CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18