公号：码农充电站pro
主页： https://codeshellme.github.io
贝叶斯原理是英国数学家 托马斯·贝叶斯 于18 世纪提出的，当我们不能直接计算一件事情（A）发生的可能性大小的时候，可以间接的计算与这件事情有关的事情(X，Y，Z)发生的可能性大小，从而间接判断事情（A）发生的可能性大小。
在介绍贝叶斯原理之前，先介绍几个与概率相关的概念。
1，概率相关概念
概率用于描述一件事情发生的可能性大小，用数学符号 P(x) 表示， x 表示 随机变量 ， P(x) 表示 x 的概率。
随机变量根据变量取值是否连续，可分为 离散型随机变量 和 连续型随机变量 。
联合概率由多个随机变量共同决定，用 P(x, y) 表示，含义为“事件 x 与事件 y 同时发生的概率”。
条件概率也是由多个随机变量共同决定，用 P(x|y) 表示，含义为“在事件 y 发生的前提下，事件 x 发生的概率。”
边缘概率：从 P(x, y) 推导出 P(x) ，从而忽略 y 变量。
对于离散型随机变量，通过联合概率 P(x, y) 在 y 上 求和 ， 可得到 P(x) ，这里的 P(x) 就是边缘概率。
对于连续型随机变量，通过联合概率 P(x, y) 在 y 上 求积分 ， 可得到 P(x) ，这里的 P(x) 就是边缘概率。
概率分布：将随机变量所有可能出现的值，及其对应的概率都展现出来，就能得到这个变量的 概率分布 ，概率分布分为两种，分别是离散型和连续型。
常见的 离散型数据分布模型 有：
伯努利分布：表示单个随机变量的分布，且该变量的取值只有两个，0 或 1。例如抛硬币（不考虑硬币直立的情况）的概率分布就是伯努利分布。数学公式如下：
P(x = 0) = 1 – λ
P(x = 1) = λ
多项式分布：也叫分类分布，描述了一个具有 k 个不同状态的单个随机变量。这里的 k，是有限的数值，如果 k 为 2，那就变成了伯努利分布。
P(x = k) = λ
二项式分布
泊松分布
常见的 连续型数据分布模型 有：
正态分布，也叫高斯分布，是最重要的一种。
均匀分布
指数分布
拉普拉斯分布
正态分布的数学公式为：
正态分布的分布图为：
正态分布还可分为：
一元正态分布：此时 μ 为 0， σ 为 1。
多元正态分布。
数学期望，如果把“每次随机结果的出现概率”看做 权重 ，那幺期望就是所有结果的 加权平均值 。
方差表示的是随机变量的取值与其数学期望的偏离程度，方差越小意味着偏离程度越小，方差越大意味着偏离程度越大。
概率论研究的就是这些概率之间的转化关系。
2，贝叶斯定理
贝叶斯公式如下：
含义：
等号右边分子部分， P(Bi) 为 先验概率 ， P(A|Bi) 为 条件概率 。
等号右边整个分母部分为 边缘概率 。
等号左边 P(Bi|A) 为 后验概率 ，由先验概率，条件概率，边缘概率计算得出。
贝叶斯定理可用于分类问题，将其用在分类问题中时，可将上面的公式简化为：
其中：
c 表示一个分类，f 表示属性值。
P(c|f) 表示在待分类样本中，出现属性值 f 时，样本属于类别 c 的概率。
P(f|c) 是根据训练样本数据，进行统计得到的，分类 c 中出现属性 f 的概率。
P(c ) 是分类 c 在训练数据中出现的概率。
P(f) 是属性 f 在训练样本中出现的概率。
这就意味着，当我们知道一些属性特征值时，根据这个公式，就可以计算出所属分类的概率，最终所属哪个分类的概率最大，就划分为哪个分类，这就完成了一个分类问题。
贝叶斯推导
来看下贝叶斯公式是如何推导出来的。
如下图两个椭圆，左边为C，右边为F。
现在让两个椭圆产生交集：
根据上图可知：在事件F 发生的条件下，事件C 发生的概率就是 P(C ∩ F) / P(F) ，即：
P(C | F) = P(C ∩ F) / P(F)
可得到：
P(C ∩ F) = P(C | F) * P(F)
同理可得：
P(C ∩ F) = P(F | C) * P(C)
所以：
P(C ∩ F) = P(C | F) * P(F) = P(F | C) * P(C) P(C | F) = P(F | C) * P(C) / P(F)
3，朴素贝叶斯
假设我们现在有一个数据集，要使用贝叶斯定理，进行分类。特征有两个：f1，f2。现在要对数据 F 进行分类，那我们需要求解：
P(c|F) ：表示数据 F 属于分类 c 的概率。
因为特征有 f1 与 f2 ，那幺：
P(c|F) = P(c|(f1,f2))
对于分类问题，特征往往不止一个。如果特征之间相互影响，也就是 f1 与 f2 之间相互影响，那幺 P(c|(f1,f2)) 就不容易求解。
朴素贝叶斯在贝叶斯的基础上做了一个简单粗暴的假设，它假设多个特征之间互不影响，相互独立。
朴素的意思就是 纯朴，简单 。
用数学公式表示就是：
P(A, B) = P(A) * P(B)
实际上就是大学概率论中所讲的 事件独立性 ，即 事件A 与事件B 的发生互不干扰，相互独立 。
那幺，根据朴素贝叶斯， P(c|F) 的求解过程如下：
假设我们现在要分类的数据有两类： c1 和 c2 。
那幺对于数据 F 的分类问题，我们就需要求解两个概率： P(c1|F) 和P(c2|F) ：
如果 P(c1|F) > P(c2|F) ，那幺 F 属于 c1 类。
如果 P(c1|F) < P(c2|F) ，那幺 F 属于 c2 类。
根据贝叶斯原理，我们可以得到：
对于分类问题，我们的最终目的是分类，而不是真正的求解出 P(c1|F) 和 P(c2|F) 的确切数值。
根据上面的公式，我们可以看到，等号右边的分母部分都是 P(F) ：
所以我们只需要求出 P(F|c1) × P(c1) 和 P(F|c2) × P(c2) ，就可以知道 P(c1|F) 和 P(c2|F) 哪个大了。
所以对于 P(c|F) 可以进一步简化：
4，处理分类问题的一般步骤
用朴素贝叶斯原理，处理一个分类问题，一般要经过以下几个步骤：
准备阶段 ：
获取数据集。
分析数据，确定特征属性，并得到训练样本。
训练阶段 ：
P(Ci) P(Fj|Ci) Ci Fj
预测阶段 ：
P(Fj|Ci) * P(Ci)
5，用朴素贝叶斯分类
接下来我们来处理一个实际的分类问题，我们处理的是 离散型数据 。
5.1，准备数据集
我们的数据集如下：
该数据集的特征集有 身高 ， 体重 和 鞋码 ，目标集为 性别 。
我们的目的是训练一个模型，该模型可以根据身高，体重和鞋码来预测所属的性别。
我们给定一个特征：
F1 F2 F3
要求这个特征是 男 还是 女 ？（用 C1 表示 男 ， C2 表示 女 ）也就是要求 P(C1|F) 大，还是 P(C2|F) 大？
# 根据朴素贝叶斯推导 P(C1|F) => P(C1|(F1,F2,F3)) => P(C1|F1) * P(C1|F2) * P(C1|F3) => [P(F1|C1) * P(C1)] * [P(F2|C1) * P(C1)] * [P(F3|C1) * P(C1)] P(C2|F) => P(C2|(F1,F2,F3)) => P(C2|F1) * P(C2|F2) * P(C2|F3) => [P(F1|C2) * P(C2)] * [P(F2|C2) * P(C2)] * [P(F3|C2) * P(C2)]
5.2，计算 P(Ci)
目标集共有两类：男和女，男出现4 次，女出现4 次，所以：
P(C1) = 4 / 8 = 0.5 P(C2) = 4 / 8 = 0.5
5.3，计算 P(Fj|Ci)
通过观察表格中的数据，我们可以知道：
# 性别为男的情况下，身高=高 的概率 P(F1|C1) = 2 / 4 = 0.5 # 性别为男的情况下，体重=中 的概率 P(F2|C1) = 2 / 4 = 0.5 # 性别为男的情况下，鞋码=中 的概率 P(F3|C1) = 1 / 4 = 0.25 # 性别为女的情况下，身高=高 的概率 P(F1|C2) = 0 / 4 = 0 # 性别为女的情况下，体重=中 的概率 P(F2|C2) = 2 / 4 = 0.5 # 性别为女的情况下，鞋码=中 的概率 P(F3|C2) = 2 / 4 = 0.5
5.4，计算 P(Fj|Ci) * P(Ci)
上面我们已经推导过 P(C1|F) 和 P(C2|F) ，下面可以求值了：
P(C1|F) => [P(F1|C1) * P(C1)] * [P(F2|C1) * P(C1)] * [P(F3|C1) * P(C1)] => [0.5 * 0.5] * [0.5 * 0.5] * [0.25 * 0.5] => 0.25 * 0.25 * 0.125 => 0.0078125 P(C2|F) => [P(F1|C2) * P(C2)] * [P(F2|C2) * P(C2)] * [P(F3|C2) * P(C2)] => [0 * 0.25] * [0.5 * 0.5] * [0.5 * 0.5] => 0
最终可以看到 P(C1|F) > P(C2|F) ，所以该特征属于 C1 ，即男性。
6，总结
可以看到，对于一个分类问题： 给定一个数据F，求解它属于哪个分类？ 实际上就是要求解 F 属于各个分类的概率大小，即 P(C|F) 。
根据朴素贝叶斯原理， P(C|F) 与 P(F|C) * P(C) 正相关，所以最终要求解的就是 P(F|C) * P(C) 。这就将一个分类问题转化成了一个概率问题。
下篇文章会介绍如何使用朴素贝叶斯处理实际问题。
（本节完。）
Be First to Comment