python樸素貝葉斯實現-2
本文主要內容:
1. 樸素貝葉斯為何需要特徵條件獨立
2. 樸素貝葉斯三種模型:
特徵是離散的時候,使用多項式模型
特徵是連續變數的時候,應該採用高斯模型
特徵的取值只能是1和0伯努利模型)
3. 多項式模型的python實現
樸素貝葉斯 (naive Bayes)
法是基於貝葉斯定理與特徵條件獨立假設的分類方法。對於給定的訓練資料集,首先基於特徵條件獨立假設學習輸入/輸出的聯合概率分佈;然後基於此模型,對給定的輸入x,利用貝葉斯定理求出後驗概率最大的輸出Y。貝葉斯分類是一類分類演算法的總稱,這類演算法均以貝葉斯定理為基礎,故統稱為貝葉斯分類。而樸素樸素貝葉斯分類是貝葉斯分類中最簡單,也是常見的一種分類方法。
理解樸素貝葉斯 (naive Bayes)主要分為兩個部分:
1. 貝葉斯定理
2. 特徵條件獨立
貝葉斯定理上篇blog已經做了回顧,本文首先,說明特徵條件獨立的意義
1. 樸素貝葉斯為何需要特徵條件獨立
樸素貝葉斯法對條件概率分佈作了條件獨立性的假設。由於這是一個較強的假設,樸素貝葉斯法也由此得名。具體地,條件獨立性假設是:
光看定義,還是不能很好的理解為何需要條件獨立,現在給出知乎上面別人的解釋:
假設根據一個男生四個特徵(帥, 性格好,身高,上進)來判斷女生是否嫁還是不嫁。首先給出下表(以及省略很多資料)
現在給我們的問題是,如果一對男女朋友,男生想女生求婚,男生的四個特點分別是不帥,性格不好,身高矮,不上進,請你判斷一下女生是嫁還是不嫁?
轉為數學問題就是比較p(嫁|(不帥、性格不好、身高矮、不上進))與p(不嫁|(不帥、性格不好、身高矮、不上進))的概率,誰的概率大,我就能給出嫁或者不嫁的答案!
沒有假設特徵之間相互獨立,那麼我們統計的時候,就需要在整個特徵空間中去找,比如統計p(不帥、性格不好、身高矮、不上進|嫁),我們就需要在嫁的條件下,去找四種特徵全滿足分別是不帥,性格不好,身高矮,不上進的人的個數,這樣的話,由於資料的稀疏性,很容易統計到0的情況
我們這個例子有4個特徵,其中帥包括{帥,不帥},性格包括{不好,好,爆好},身高包括{高,矮,中},上進包括{不上進,上進},那麼四個特徵的聯合概率分佈總共是4維空間,總個數為2*3*3*2=36個
假設特徵之間相互獨立,根據樸素貝葉斯公式:
樸素貝葉斯法對條件概率分佈做了條件獨立性的假設,由於這是一個較強的假設,樸素貝葉斯也由此得名!這一假設使得樸素貝葉斯法變得簡單,但有時會犧牲一定的分類準確率。
2. 樸素貝葉斯三種模型:
特徵是離散的時候,使用多項式模型
下面給出實際示例:
特徵是連續變數的時候,應該採用高斯模型
特徵的取值只能是1和0伯努利模型)
3. 多項式模型的python實現
資料來自於李航書上的示例, S, M, L改為了 4, 5, 6
def get_multi_data():
x = np.array([
[1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 3, 3, 3, 3, 3],
[4, 5, 5, 4, 4, 4, 5, 5, 6, 6, 6, 5, 5, 6, 6]
])
x = x.T
y = np.array([-1, -1, 1, 1, -1, -1, -1, 1, 1, 1, 1, 1, 1, 1, -1])
return x, y
程式碼實現
class MultinomialNB(object):
def __init__(self, alpha=1.0):
self.alpha = alpha
self._dic_class_prior = {}
self._cd_prob = {}
def fit(self, x, y):
# calculate class prior probabilities: P(y=ck)
self._cal_y_prob(y)
# calculate Conditional Probability: P( xj | y=ck )
self._cal_x_prob(x, y)
def _cal_y_prob(self, y):
"""
calculate class prior probability
like: {class_1: prob_1, class_2:prob_2, ...}
for example two class 1, 2 with probability 0.4 and 0.6
{1: 0.4, 2: 0.6}
"""
sample_num = len(y) * 1.0
if sample_num < 1:
raise ValueError
unique_class, class_count = np.unique(y, return_counts=True)
# calculate class prior probability
for c, num in zip(unique_class, class_count):
self._dic_class_prior[c] = num / sample_num
def _cal_x_prob(self, x, y):
"""
calculate Conditional Probability: P( xj | y=ck )
like { c0:{ x0:{ value0:0.2, value1:0.8 }, x1:{} }, c1:{...} }
for example the below ,as to class 1 feature 0 has 3 values "1, 2 , 3"
the corresponding probability 0.22, 0.33, 0.44
p( x1 = 1 | y = 1 ) = 0.22
p( x1 = 2 | y = 1 ) = 0.33
p( x1 = 3 | y = 1 ) = 0.44
{ 1: {0: {1: 0.22, 2: 0.33, 3: 0.44}, 1: {4: 0.11, 5: 0.44, 6: 0.44}},
-1: {0: {1: 0.50, 2: 0.33, 3: 0.16}, 1: {4: 0.50, 5: 0.33, 6: 0.16}}
}
"""
unique_class = np.unique(y)
for c in unique_class:
self._cd_prob[c] = {}
c_idxs = np.where(y==c)[0]
for i, col_feature in enumerate(x.T):
dic_f_prob = {}
self._cd_prob[c][i] = dic_f_prob
for idx in c_idxs:
if col_feature[idx] in dic_f_prob:
dic_f_prob[col_feature[idx]] += 1
else:
dic_f_prob[col_feature[idx]] = 1
for k in dic_f_prob:
dic_f_prob[k] = dic_f_prob[k] * 1.0 / len(c_idxs)
def _pred_once(self, x):
dic_ret = {}
for y in self._dic_class_prior:
y_prob = self._dic_class_prior[y]
for i, v in enumerate(x):
y_prob = y_prob * self._cd_prob[y][i][v]
dic_ret[y] = y_prob
return dic_ret
def predict(self, x):
if x.ndim == 1:
return self._pred_once(x)
else:
labels = []
for i in xrange(x.shape[0]):
labels.append(self._pred_once(x[i]))
return labels
def get_class_prior(self):
return self._dic_class_prior
def get_cd_prob(self):
return self._cd_prob
執行的結果:
if __name__ == '__main__':
x, y = get_multi_data()
print x.ndim, y.ndim
# 2 1
mnb = MultinomialNB()
mnb.fit(x, y)
print "class prior probability: %s" % mnb.get_class_prior()
# {1: 0.599, -1: 0.40}
print "feature condition probability: %s" % mnb.get_cd_prob()
# { 1: {0: {1: 0.22, 2: 0.33, 3: 0.44}, 1: {4: 0.11, 5: 0.44, 6: 0.44}},
# -1: {0: {1: 0.50, 2: 0.33, 3: 0.16}, 1: {4: 0.50, 5: 0.33, 6: 0.16}}
# }
item = np.array([2, 4])
print mnb.predict(item)
# {1: 0.02222, -1: 0.06666}