教你明白啥是朴素贝叶斯分类器

Posted 2021-04-25 大数据DT

前言

朴素贝叶斯算法仍然是流行的十大挖掘算法之一，该算法是有监督的学习算法，解决的是分类问题，如客户是否流失、是否值得投资、信用等级评定等多分类问题。该算法的优点在于简单易懂、学习效率高、在某些领域的分类问题中能够与决策树、神经网络相媲美。但由于该算法以自变量之间的独立（条件特征独立）性和连续变量的正态性假设为前提，就会导致算法精度在某种程度上受影响。接下来我们就详细介绍该算法的知识点及实际应用。

朴素贝叶斯的思想

思想很简单，就是根据某些个先验概率计算Y变量属于某个类别的后验概率，请看下图细细道来：

假如，上表中的信息反映的是某P2P企业判断其客户是否会流失(churn)，而影响到该变量的因素包含年龄、性别、收入、教育水平、消费频次、支持。那根据这样一个信息，我该如何理解朴素贝叶斯的思想呢？再来看一下朴素贝叶斯公式：

从公式中可知，如果要计算X条件下Y发生的概率，只需要计算出后面等式的三个部分，X事件的概率（P(X)），是X的先验概率、Y属于某类的概率（P(Y)），是Y的先验概率、以及已知Y的某个分类下，事件X的概率（P(X|Y)），是后验概率。从上表中，是可以计算这三种概率值的。即：

P(x)指在所有客户集中，某位22岁的本科女性客户，其月收入为7800元，在12次消费中合计支出4000元的概率；

P(Y)指流失与不流失在所有客户集中的比例；

P(X|Y)指在已知流失的情况下，一位22岁的本科女性客户，其月收入为7800元，在12次消费中合计支出4000元的概率。

如果要确定某个样本归属于哪一类，则需要计算出归属不同类的概率，再从中挑选出最大的概率。

我们把上面的贝叶斯公式写出这样，也许你能更好的理解：

而这个公式告诉我们，需要计算最大的后验概率，只需要计算出分子的最大值即可，而不同水平的概率P(C)非常容易获得，故难点就在于P(X|C)的概率计算。而问题的解决，正是聪明之处，即贝叶斯假设变量X间是条件独立的，故而P(X|C)的概率就可以计算为：

也许，这个公式你不明白，我们举个例子（上表的数据）说明就很容易懂了。

对于离散情况：

假设已知某个客户流失的情况下，其性别为女，教育水平为本科的概率：

上式结果中的分母4为数据集中流失有4条观测，分子2分别是流失的前提下，女性2名，本科2名。

假设已知某个客户未流失的情况下，其性别为女，教育水平为本科的概率

上式结果中的分母3为数据集中未流失的观测数，分子2分别是未流失的前提下，女性2名，本科2名。

从而P(C|X)公式中的分子结果为：

对于连续变量的情况就稍微复杂一点，并非计算频率这么简单，而是假设该连续变量服从正态分布（即使很多数据并不满足这个条件），先来看一下正态分布的密度函数：

要计算连续变量中某个数值的概率，只需要已知该变量的均值和标准差，再将该数值带入到上面的公式即可。

有关朴素贝叶斯分类器的理论部分就讲解到这里，希望读者能够理解，如果您还有不明白的地方可以给我留言。接下来我们就看一下，在R语言中，是如何实现朴素贝叶斯算法的落地的。

R语言函数简介

R语言中的klaR包就提供了朴素贝叶斯算法实现的函数NaiveBayes，我们来看一下该函数的用法及参数含义：

NaiveBayes(formula, data, ..., subset, na.action= na.pass)

NaiveBayes(x, grouping, prior, usekernel= FALSE, fL = 0, ...)

formula指定参与模型计算的变量，以公式形式给出，类似于y=x1+x2+x3；

data用于指定需要分析的数据对象；

na.action指定缺失值的处理方法，默认情况下不将缺失值纳入模型计算，也不会发生报错信息，当设为“na.omit”时则会删除含有缺失值的样本；

x指定需要处理的数据，可以是数据框形式，也可以是矩阵形式；

grouping为每个观测样本指定所属类别；

prior可为各个类别指定先验概率，默认情况下用各个类别的样本比例作为先验概率；

usekernel指定密度估计的方法（在无法判断数据的分布时，采用密度密度估计方法），默认情况下使用正态分布密度估计，设为TRUE时，则使用核密度估计方法；

fL指定是否进行拉普拉斯修正，默认情况下不对数据进行修正，当数据量较小时，可以设置该参数为1，即进行拉普拉斯修正。

R语言实战

本次实战内容的数据来自于UCI机器学习网站，后文会给出数据集合源代码的链接。

# 下载并加载所需的应用包

if(!suppressWarnings(require('caret'))){

  install.packages('caret')

  require('caret')

}

if(!suppressWarnings(require('klaR'))){

  install.packages('klaR')

  require('klaR')

}

if(!suppressWarnings(require('pROC'))){

  install.packages('pROC')

  require('pROC')

}

# 读取蘑菇数据集

mydata <- read.csv(file = file.choose())

# 简单的了解一下数据

str(mydata)

summary(mydata)

该数据集中包含了8124个样本和22个变量（如蘑菇的颜色、形状、光滑度等）。

# 抽样，并将总体分为训练集和测试集

set.seed(12)

index <- sample(1:nrow(mydata), size = 0.75*nrow(mydata))

train <- mydata[index,]

test <- mydata[-index,]

# 大致查看抽样与总体之间是否吻合

prop.table(table(mydata$type))

prop.table(table(train$type))

prop.table(table(test$type))

原始数据中毒蘑菇与非毒蘑菇之间的比较比较接近，通过抽选训练集和测试集，发现比重与总体比例大致一样，故可认为抽样的结果能够反映总体状况，可进一步进行建模和测试。

由于影响蘑菇是否有毒的变量有21个，可以先试着做一下特征选择，这里我们就采用随机森林方法（）进行重要变量的选择：

#构建rfe函数的控制参数(使用随机森林函数和10重交叉验证抽样方法，并抽取5组样本)

rfeControls_rf <- rfeControl(

  functions = rfFuncs,

  method = 'cv',

  repeats = 5)

#使用rfe函数进行特征选择

fs_nb <- rfe(x = train[,-1],

             y = train[,1],

             sizes = seq(4,21,2),

             rfeControl = rfeControls_rf)

fs_nb

plot(fs_nb, type = c('g','o'))

fs_nb$optVariables

结果显示，21个变量中，只需要选择6个变量即可，下图也可以说明这一点：

所需要选择的变量是：

接下来，我们就针对这6个变量，使用朴素贝叶斯算法进行建模和预测：

# 使用klaR包中的NaiveBayes函数构建朴素贝叶斯算法

vars <- c('type',fs_nb$optVariables)

fit <- NaiveBayes(type ~ ., data = train[,vars])

# 预测

pred <- predict(fit, newdata = test[,vars][,-1])

# 构建混淆矩阵

freq <- table(pred$class, test[,1])

freq

# 模型的准确率

accuracy <- sum(diag(freq))/sum(freq)

accuracy

# 模型的AUC值

modelroc <- roc(as.integer(test[,1]), 

                as.integer(factor(pred$class)))

# 绘制ROC曲线

plot(modelroc, print.auc = TRUE, auc.polygon = TRUE, 

     grid = c(0.1,0.2), grid.col = c('green','red'),

     max.auc.polygon = TRUE, auc.polygon.col = 'steelblue')

通过朴素贝叶斯模型，在测试集中，模型的准确率约为97%，而且AUC的值也非常高，一般超过0.8就说明模型比较理想了。

好了，关于朴素贝叶斯分类器的理论和应用的讲解就到这里，如有不理解的朋友还可以继续交流。

数据与源代码链接：

链接：http://pan.baidu.com/s/1dEBGvC1 密码：loqg

每天进步一点点2015

学习与分享，取长补短，关注小号！