references: https://ocw.nctu.edu.tw/course_detail-v.php?bgid=1&gid=1&nid=563

使用贝叶斯算法进行分类

1 基本解读

引例：银行对高危用户的识别，我们以伯努利分布的方式来记录银行高危用户，伯努利分布呢就是二项分布，如果用户是高危用户，我们将其标记为1，如果用户不是高危用户，我们将其标记为0，我们可以使用贝叶斯算法建立模型，实现将用户的特征输入到模型后，自动预测或判定该用户是高危用户。

朴素贝叶斯是最简单的算法，因为它包括了两一个很天真的基本假设，就是特征对应的随机变量之间的独立性假设，这个假设会提高计算效率，但是由于生活中的特征大多是相联系的，因此这个假设会降低一定的准确度。我们可以将朴素贝叶斯看作一个Baseline模型，如果所构建模型的效果甚至不如朴素贝叶斯，那么模型则代表模型效果是比较差的。

先验概率来自于过去的历史资料，例如一个营运了十年的银行，会保存有用户的特征、高危用户的数量等资料信息，贝叶斯实际上就是用先验概率来计算后验概率的方法。

当有多个随机变量\(X_1,X_2...,X_f\)相互独立的时候，他们的联合概率分布等于各自分别的乘积，也即:
$P(X_1,X_2,...,X_f|C) = P(X_1|C)P(X_2|C) ... P(X_f|C) $

2 二分类

二分类的时候，我们估计的是p(C=1|X)的概率，当p(C=1|X)>0.5是 就将类别判定为1。

3 多分类

多分类的时候，分别估计每一个类别出现的概率，取他们中概率最大的作为分类结果，计算任何一个类的概率时，分母总是\(P(X=x)\),我们得到的结果是对比概率大小，因此，我们只需要对比分子结果的大小，就可以实现预测/分类的目标。

朴素贝叶斯算法中的不合理假设：
每一个属性所对应的随机变量是相互独立的。
对于分类任务，每一个实例（instance）的属性（atribute）都是相等的。

4 朴素贝叶斯计算案例

假设我们要开展打球这一项户外运动，如果某天出去打球标签为+1，某天不出去打球标签为-1，我们的目标是预测在给定四个属性的情况下，某天是否会出去打球。

考虑标签的时候，我们基于最大似然估计来计算先验概率 p(打球)，解得其中 N表示总天数，$ x^t$取 0 或 1 ，它是一种伯努利分布。

考虑属性的时候，我们拿Outlook属性为例，它包括Sunny、Overcast和Rainy三类，不再是简单的伯努利分布，而是一种多项式分布。类似地，我们基于最大似然估计来计算 p(Sunny) p(Overcast) p(Rainy),\(x_i\)表示三种天气种的一种，取值0或1。\(p_i\)表示第i种天气出现的概率。

表格中列示我们计算的结果，将表格种的结果带入公式计算，就可以得到要预测的后验概率，计算出是否开展户外打球活动。

5 零频率问题：Zero-frequency Problem

这里有两个观点需要掌握：
观点一：当前实验进度没有出现过的情况，不代表是一定不会发生的。
观点二：平滑后的各情况出现的概率之和为1，平滑可以看作：实验共有n种可能出现的情况，初始时做了nλ次的实验，每种情况出现的次数是λ。后来又做了m = 8 次实验，再根据8次实验的结果对概率进行修正。

标签：概率,机器,分类,用户,贝叶斯,算法,打球,高危
来源： https://www.cnblogs.com/arkon/p/16476066.html