7.3 朴素贝叶斯分类器
朴素:属性条件独立性假设。即假设每个属性独立地对分类结果发生影响。
朴素贝叶斯分类器重写了书中的式(7.8)为:
P(c∣x)=P(c)P(x∣c)P(x)=P(c)P(x)∏i=1dP(xi∣c)P(c|x) = \frac{P(c)P(x|c)}{P(x)} = \frac{P(c)}{P(x)}\prod_{i=1}^d P(x_i|c)P(c∣x)=P(x)P(c)P(x∣c)=P(x)P(c)i=1∏dP(xi∣c)
其中,∏i=1dP(xi∣c)=P(x1∣c)∗P(x2∣c)∗⋯∗P(xn∣c)\prod_{i=1}^d P(x_i|c) = P(x_1|c)* P(x_2|c)*\dots * P(x_n|c)∏i=1dP(xi∣c)=P(x1∣c)∗P(x2∣c)∗⋯∗P(xn∣c) 。
d为属性数目,xix_ixi为xxx在第i个属性上的取值。
基于书中式(7.6),即h∗(x)=argmaxcϵyP(c∣x)h^*(x) = \underset{c\epsilon{y}}{\arg\max} P(c|x)h∗(x)=cϵyargmaxP(c∣x) ,基于该式,将式(7.8)代入,(由于P(x)对所有类别来说是相同的,可以省略),可以得到下面:
hnb(x)=argmaxcϵyP(c)∏i=1dP(xi∣c)h_{nb}(x) = \underset{c\epsilon{y}}{\arg\max} P(c)\prod_{i=1}^d P(x_i|c)hnb(x)=cϵyargmaxP(c)i=1∏dP(xi∣c)
这就是朴素贝叶斯分类器的表达式。
即给定x的情况下,贝叶斯分类器最可能出现的情况c,P(x)省略。
- 令DcD_cDc 表示训练集D中第c类样本组成的集合,若有充足的独立同分布样本,则可容易地估计出类先验概率:
P(c)=∣Dc∣∣D∣P(c) = \frac{|D_c|}{|D|}P(c)=∣D∣∣Dc∣
(1)对离散属性而言,令Dc,xiD_{c,x_i}Dc,xi表示DcD_cDc中在第i 个属性上取值为xix_ixi 的样本组成的集合,则条件概率P(xi∣c)P(x_i | c)P(xi∣c)可估计为:(这里不是绝对值,而表示集合大小)\red{(这里不是绝对值,而表示集合大小)}(这里不是绝对值,而表示集合大小)
P(xi∣c)=∣Dc,xi∣∣Dc∣P(x_i|c) = \frac{|D_{c,x_i}|}{|D_c|} P(xi∣c)=∣Dc∣∣Dc,xi∣
(2)对连续属性可考虑概率密度函数,假定p(xi∣c) N(μc,i,σc,i2)p(x_i|c)~N(\mu_{c,i},\sigma^2_{c,i})p(xi∣c) N(μc,i,σc,i2),其中μc,i和σc,i2\mu_{c,i}和\sigma^2_{c,i}μc,i和σc,i2分别是第c类样本在第i个属性上取值的均值和方差,则有:
P(xi∣c)=12πσc,iexp(−(xi−μc,i)22σc,i2)P(x_i|c) = \frac{1}{\sqrt{2\pi}\sigma_{c,i}} exp(- \frac{(x_i-\mu_{c,i})^2}{2\sigma^2_{c,i}})P(xi∣c)=2πσc,i1exp(−2σc,i2(xi−μc,i)2)
以下针对西瓜书P151中的例子进行验算:
可参考这篇文章
利用朴素贝叶斯算法训练出一个分类器,以判断一个具有特征{色泽=青绿,根蒂=蜷缩,敲声=浊响,纹理=清晰,脐部=凹陷,触感=硬滑,密度=0.697,含糖率=0.460}的测试样例(“测1”)瓜(xtestx_{test}xtest )是否为好瓜。
- 朴素贝叶斯分类器
- 朴素贝叶斯分类器
- 朴素贝叶斯分类器
- 朴素贝叶斯分类器
- 机器学习(周志华) 参考答案 第七章 贝叶斯分类器 7.3
- 朴素贝叶斯分类器(Naive Bayes)
- 朴素贝叶斯分类器(没什么价值,作为路标留给自己看)
- 朴素贝叶斯分类器与贝叶斯估计
- 朴素贝叶斯分类器
- 朴素贝叶斯分类器,有具体应用简单易懂
- 朴素贝叶斯分类器(Navie Bayesian Classifier)中的几个要点(一)
- 朴素贝叶斯分类器
- 朴素贝叶斯分类器(Naive Bayes Classifiers)
- R语言-朴素贝叶斯分类器(1)
- 朴素贝叶斯分类器
- 朴素贝叶斯分类器及Python实现
- 朴素贝叶斯分类器(修改版)
- 朴素的贝叶斯分类器(Naive Bayesian Classifier)
- 朴素贝叶斯分类器
- 分类器模型1:朴素贝叶斯分类器 Naive Bayes(转载)