朴素贝叶斯方法（Naive Bayes Method）

   朴素贝叶斯是一种很简单的分类方法，之所以称之为朴素，是因为它有着非常强的前提条件-其所有特征都是相互独立的，是一种典型的生成学习算法。所谓生成学习算法，是指由训练数据学习联合概率分布P(X,Y)，然后求得后验概率P(X|Y)。具体来说，利用训练数据学习P(X|Y)和p(Y)的估计，得到联合概率分布：





   概率估计可以是极大似然估计，或者贝叶斯估计。

   假设输入 X 为n维的向量集合，输出 Y 为类别，X 和 Y 都是随机变量。P（X,Y）是X和Y的联合概率分布，训练数据集为：

       



   首先，我们要明确我们求解的目标是：

，即给定某个输入X，我们要判断其所属类别Ck。由概率论知识，我们有：





                           其中，



   代入公式得：





   这是朴素贝叶斯分类的基本公式。于是，朴素贝叶斯分类器可以表示为





   由于，分母对所有的Ck都是相同的，所以





   那么如果给定一个输入 X，我们只需要找到一个类别Ck，使得

最大。那么Ck，就是 X 的最佳类别了。

   

   下面我们来讲讲朴素贝叶斯法的参数估计，为什么要估计朴素贝叶斯的参数呢，这些参数是什么？首先，我们要明确。现实中，给定我们一批数据，我们就知道其分布，但是具体的数据分布的概率我们是不知道的。也就是说先验概率和条件概率我们是不知道的，这就需要我们来利用其数据的分布估计其先验概率和条件概率了。统计学习中最常用的参数估计就是极大似然估计了，这里我们也可以用贝叶斯估计，其实就是在极大似然估计基础上添加了拉普拉斯平滑（Laplace smoothing）。

   由于极大似然估计之前已经讲到过，这里公式我也没有具体来推，所以先验概率和条件概率直接给出来。

   先验概率P（Y = Ck）和条件概率的极大似然估计如下：





 





   这样，给定具体的数据，我们就可以估计其先验概率和条件概率，进而计算出后验概率得到所属类别。

   同样，贝叶斯估计和极大似然估计差不多，贝叶斯估计只是在极大似然估计上添加了一个拉普拉斯平滑。具体如下：

   条件概率的贝叶斯估计如下：





   先验概率的贝叶斯估计如下：

   



 

  下面来给出一个简单的朴素贝叶斯实现代码，代码比较容易理解。只是课本上给出的特征是离散的，而code里面的特征是连续的。原理上其实是一样一样的~

% NAIVE BAYES CLASSIFIER

clear

tic

disp('--- start ---')

distr='normal';

distr='kernel';

% read data

White_Wine = dataset('xlsfile', 'White_Wine.xlsx');

X = double(White_Wine(:,1:11));

Y = double(White_Wine(:,12));

% Create a cvpartition object that defined the folds

c = cvpartition(Y,'holdout',.2);

% Create a training set

x = X(training(c,1),:);

y = Y(training(c,1));

% test set

u=X(test(c,1),:);

v=Y(test(c,1),:);

yu=unique(y);

nc=length(yu); % number of classes

ni=size(x,2); % independent variables

 ns=length(v);% test set

% compute class probability

for i=1:nc

fy(i)=sum(double(y==yu(i)))/length(y);

end

switch distr

case 'normal'

    % normal distribution

    % parameters from training set

   for i=1:nc

   xi=x((y==yu(i)),:);

   mu(i,:)=mean(xi,1);

   sigma(i,:)=std(xi,1);

end

    % probability for test set

    for j=1:ns

   fu=normcdf(ones(nc,1)*u(j,:),mu,sigma);

   P(j,:)=fy.*prod(fu,2)';

end

case 'kernel'

    % kernel distribution

    % probability of test set estimated from training set

   for i=1:nc

   for k=1:ni

  xi=x(y==yu(i),k);%the feature of dimension-k with respect to label yu(i)

  ui=u(:,k);

  fuStruct(i,k).f=ksdensity(xi,ui);

end

end

    % re-structure

    for i=1:ns

   for j=1:nc

  for k=1:ni

 fu(j,k)=fuStruct(j,k).f(i);

end

end

   P(i,:)=fy.*prod(fu,2)';

end

otherwise

    disp('invalid distribution stated')

    return

end

% get predicted output for test set

[pv0,id]=max(P,[],2);

for i=1:length(id)

pv(i,1)=yu(id(i));

end

% compare predicted output with actual output from test data

confMat=myconfusionmat(v,pv);

disp('confusion matrix:')

disp(confMat)

conf=sum(pv==v)/length(pv);

disp(['accuracy = ',num2str(conf*100),'%'])

toc

function confMat=myconfusionmat(v,pv)

yu=unique(v);

confMat=zeros(length(yu));

for i=1:length(yu)

for j=1:length(yu)

    confMat(i,j)=sum(v==yu(i) & pv==yu(j));

 end

end

   如果想要实验数据的话，请在博客下面评论区域注明，我看到了会第一时间上传。