数据挖掘从入门到放弃(三):朴素贝叶斯
朴素贝叶斯是一种常用的分类算法,适用于维度非常高的数据集,具有速度快,可调参数少有点,非常适合为分类问题提供快速粗糙的基本方案,经常用于垃圾邮件分类等场景中.
朴素贝叶斯算法
朴素贝叶斯算法依据概率论中贝叶斯定理建立模型,前提假设各个特征之间相互独立(这也是正式“朴素”的含义),这个假设非常极端,因为实际场景中多个特征一般存在相关性,特征相对独立的假设使得算法变得简单,因此在特征值有强相关性的场景中容易出现分类不准的问题。
其数学原理很容易理解:如果你看到一个人总是做好事,则会推断那个人多半会是一个好人。这就是说,当你不能准确判断时候,可以依靠事物特定本质相关的事件出现的多少(概率)作为判断依据,贝叶斯定理:
该公式表示在 B 发生的条件下 A 发生的条件概率,等于 A 事件发生条件下 B 事件发生的条件概率乘以 A 事件的概率,再除以 B 事件发生的概率。公式中,P(A)叫做先验概率,P(A/B)叫做后验概率。
举个栗子:一个非常炎热的夏天晚上,走在校园里面,伸手不见五指.......lol,这个时候迎面走来一个人,太远看不清楚 ta 的性别,但我们知道 ta 的特征是“短裤+短发”,而且事先有一些学生的调查样本,需要你根据某些特性大致判断 Ta 的性别,请问你应该怎么分类?
**
**
这样分析,我们首先计算求得 P(boy|短裤短发)和 P(girl|短裤短发)然后比较两者大小,作为依据判定性别,也就是我们根据以往数据中穿着短裤短发的人中 boy 和 girl 的条件概率作为依据,来判断当我们看见“短裤短发”人的性别,在这个例子中我们很明显把 ta 判定是个 boy,核心思想就是这么简单:
拉普拉斯修正
由于特征空间较为稀疏,因此,常常会出现概率为 0 的情况,在这种情况下,需要对其进行一些修正。常用的修正方法是拉普拉斯修正法,就是使得计算条件概率时候分子+1,很容易理解;
蘑菇数据集
该数据集包含了 8124 个样本和 22 个变量(如蘑菇的颜色、形状、光滑度等),是机器学习分类算法算法不可多得的一个优质数据集。
数据探索
建立模型
版权声明: 本文为 InfoQ 作者【数据社】的原创文章。
原文链接:【http://xie.infoq.cn/article/e3b0d6a7c1f067cc0beebd7d4】。文章转载请联系作者。
评论