朴素贝叶斯算法

朴素贝叶斯算法1.算法简介朴素贝叶斯分类是一种十分简单的分类算法，叫它朴素贝叶斯分类是因为这种方法的思想真的很朴素，朴素贝叶斯的思想基础是：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。2.算法定义朴素贝叶斯分类的正式定义如下：1）设为一个待分类项，而每个a为x的一个特征属性；2）有类别集合；3）计算。4）如果，则。其中关键是如何计算步骤3）中的各个条件概率。计算过程如下：（1）找到一个已知分类的待分类项集合，该集合称为训练样本集。（2）统计得到在各类别下各个特征属性的条件概率估计。即（3）如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：因为分母对于所有类别为常数，因此只要将分子最大化皆可。又因为各特征属性是条件独立的，所以有：可以看到，整个朴素贝叶斯分类分为三个阶段：第一阶段——准备工作阶段，这个阶段的任务是为朴素贝叶斯分类做必要的准备，主要工作是根据具体情况确定特征属性，并对每个特征属性进行适当划分，然后由人工对一部分待分类项进行分类，形成训练样本集合。这一阶段的输入是所有待分类数据，输出是特征属性和训练样本。这一阶段是整个朴素贝叶斯分类中唯一需要人工完成的阶段，其质量对整个过程将有重要影响，分类器的质量很大程度上由特征属性、特征属性划分及训练样本质量决定。第二阶段——分类器训练阶段，这个阶段的任务就是生成分类器，主要工作是计算每个类别在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录。其输入是特征属性和训练样本，输出是分类器。这一阶段是机械性阶段，根据前面讨论的公式可以由程序自动计算完成。第三阶段——应用阶段。这个阶段的任务是使用分类器对待分类项进行分类，其输入是分类器和待分类项，输出是待分类项与类别的映射关系。这一阶段也是机械性阶段，由程序完成。3.估计类别下特征属性划分的条件概率及Laplace校准估计类别下特征属性划分的条件概率计算各个划分的条件概率P(a|y)是朴素贝叶斯分类的关键性步骤，当特征属性为离散值时，只要很方便的统计训练样本中各个划分在每个类别中出现的频率即可用来估计P(a|y)，下面重点讨论特征属性是连续值的情况。当特征属性为连续值时，通常假定其值服从高斯分布（也称正态分布）。即：而因此只要计算出训练样本中各个类别中此特征项划分的各均值和标准差，代入上述公式即可得到需要的估计值。Laplace校准当某个类别下某个特征项划分没有出现时，会产生P(a|y)=0的现象，这会令分类器质量大大降低。为了解决这个问题，引入Laplace校准，就是对每个类别下所有划分的计数加1，这样如果训练样本集数量充分大时，并不会对结果产生影响，并且解决了上述频率为0的尴尬局面。Laplace校准详解假设离散型随机变量z有{1,2,…,k}共k个值，用j(),{1,2,,}pzjjk来表示每个值的概率。假设在m个训练样本中，z的观察值是其中每一个观察值对应k个值中的一个。那么z=j出现的概率为：Laplace校准将每个特征值出现次数事先都加1，通俗讲就是假设它们都出现过一次。那么修改后的表达式为：每个z=j的分子都加1，分母加k，可见。朴素贝叶斯中Laplace校准假设特征变量x有12{,,,}kxxx共k个特征值，类别特征c有12{,,,}nCCC共n个标签值，则C1类别下x1特征值的条件概率为：111C(|)CxxPxxcC11类别中特征的样本个数所有样本中类别个数Laplace校验修正的条件概率为：111C(|)CkxxPxxcC11类别中特征的样本个数+1所有样本中类别个数+4.算法实例下面讨论一个使用朴素贝叶斯分类解决实际问题的例子（检测SNS社区中不真实账号），为了简单起见，对例子中的数据做了适当的简化。对于SNS社区来说，不真实账号（使用虚假身份或用户的小号）是一个普遍存在的问题，作为SNS社区的运营商，希望可以检测出这些不真实账号，从而在一些运营分析报告中避免这些账号的干扰，亦可以加强对SNS社区的了解与监管。如果通过纯人工检测，需要耗费大量的人力，效率也十分低下，如能引入自动检测机制，必将大大提升工作效率。在此采用朴素贝叶斯算法将社区中所有账号在真实账号和不真实账号两个类别上进行分类，下面具体介绍该算法实现过程。首先设C=0表示真实账号，C=1表示不真实账号。1）确定特征属性及划分这一步要找出可以帮助我们区分真实账号与不真实账号的特征属性，在实际应用中，特征属性的数量是很多的，划分也会比较细致，但这里为了简单起见，用少量的特征属性以及较粗的划分，并对数据做了修改。选择三个特征属性：a1：日志数量/注册天数，a2：好友数量/注册天数，a3：是否使用真实头像。在SNS社区中这三项都是可以直接从数据库里得到或计算出来的。下面给出划分：a1：{a=0.05,0.05a0.2,a=0.2}，a1：{a=0.1,0.1a0.8,a=0.8}，a3：{a=0（不是）,a=1（是）}。2）获取训练样本这里使用运维人员曾经人工检测过的1万个账号作为训练样本。3）计算训练样本中每个类别的频率用训练样本中真实账号和不真实账号数量分别除以一万，得到：4）计算每个类别条件下各个特征属性划分的频率5）使用分类器进行鉴别使用上面训练得到的分类器鉴别一个账号，这个账号使用非真实头像，日志数量与注册天数的比率为0.1，好友数与注册天数的比率为0.2。可以看到，虽然这个用户没有使用真实头像，但是通过分类器的鉴别，更倾向于将此账号归入真实账号类别。这个例子也展示了当特征属性充分多时，朴素贝叶斯分类对个别属性的抗干扰性。个人理解：假如图像库中有C类样本，每一类包含m个样本，每个样本由256的颜色直方图表示。直方图的每一维表示一个特征，每一个特征又有256个特征值。训练每一类的每个特征的每个特征值概率。需分类的图像每个特征值是固定的，计算其所有特征值概率积，那一类最大属于哪一类。具体例子为上例，这是特征值为离散的情况。