[机器学习实战札记] 朴素贝叶斯

书中举了一个例子来阐述条件概率的概念。7块石头，3块是灰色的，4块是黑色的，放入两个桶A和B，A桶放4块石头（2块灰色，2块黑色），B桶放3块石头（1块灰色，2块灰色）。计算从B桶中取到灰色石头的概率的方法，就是所谓的条件概率。这里的已知条件是石头取自B桶且B桶有3块石头。用公式表示为：

P(gray | bucketB) = P(gray and bucketB) / P(bucketB)1

这个公式看起来不起眼，但却开启了一门新的理论，即通过先验知识和逻辑推理来处理不确定命题。另一种概率解释称为频数概率，它只从数据本身获取结论，并不考虑逻辑推理及先验知识。

另一种有效计算条件概率的方法称为贝叶斯准则。贝叶斯准则告诉我们如何交换条件概率中的条件和结果，即如果已知P(x | c)，要求P(c | x)。其公式为：朴素贝叶斯

朴素贝叶斯有两个简单的假设：

特征之间相互独立。所谓独立指的是统计意义上的独立，即一个特征出现的可能性与其它特征值无关。

每个特征同等重要。

尽管上述假设存在一些小瑕疵，但朴素贝叶斯的实际效果很好。使用公式表示如下：

P(W0, W1, W2, ..., WN | c) = P(W0|c)*P(W1|c)*...*P(WN|c)1

利用贝叶斯分类器对文档进行分类时，要计算多个概率的乘积以获得文档属于某个类别的概率，即计算P(W0|1)P(W1|1)P(W2|1)。如果其中一个概率值为0，那么最后的乘积也为0。为降低这种影响，可以将所有词的出现数初始化为1，并将分母初始化为2。

另外还要处理下溢出问题，这是因为太多很小的数相乘，最后结果可能会四舍五入，得到0。解决的方法是利用代数中的公式：

ln(a*b) = ln(a) + ln(b)1

通过求对数避免下溢出或者浮点数舍入导致的错误。采用自然对数进行处理不会有任何损失。

随机选择数据的一部分作为训练集，而剩余部分作为测试集的过程成为留存交叉验证。如果想更精确的估计分类器的错误率，可以进行多次迭代后求出平均错误率。

4.7章节的示例无法使用，原因在于代码中使用的RSS源已经不存在。我对这个示例做了修改，用来显示垃圾邮件中使用最多的词语。另外在这个示例中会去掉出现次数最高的30个词，如果将这个应用在垃圾邮件过滤，错误率反而会提高，但如果只是去掉10个最常用词，结果一致。

可见，即使采用同样的算法，我们还是可以采用不同的修正方法，进行微调，对最后的错误率有一些影响。

机器学习

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。