朴素贝叶斯算法 推导

朴素贝叶斯算法主要用来解决分类问题，比如通常的二分类，多分类。

1、数学知识：

贝叶斯定理：

特征条件独立：

1、朴素贝叶斯

输入空间：

输出空间：y={C₁，C₂，…,C_K}。

训练集：T={(x1,y1),(x2,y2),…,(x_N,y_N)}。

对于每个实例，其P(X,Y)独立同分布。在进行分类之前，需要先将计算先验概率和条件概率然后据此计算出后验概率。

1）先验概率分布：

P(Y=Ck)，k=1,2,..,K。

先验概率的极大似然估计：

2）条件概率分布：

设第j个特征可能取值的集合为：{a_j1,a_j2,..,a_sj}

则极大似然估计：

　　说明：每个实例有n个特征,分别为x¹,x²,..,xⁿ，每个特征分别有s1,s2,…,sn种取值，即特征xⁱ有si种取值。则计算该条件概率分布的时间复杂度为：O(s1*s2*…*sn *K)。时间复杂度非常的高。

3）对新的实例进行分类：

         为了计算将新的实例进行分类，我们需要计算该实例属于每类的后验概率，最终将此实例分给后验概率最大的类。

后验概率为：

在此需要用到条件独立的假设，即在分类确定的情况下，x的各特征相互独立。因为用到了此假设故而在贝叶斯前面加了朴素二字。于是有：

所以有：

由于对同一个实例，P(X=x)的概率相通同，故而只需考虑分子部分即可。

2、朴素贝叶斯的改进

         在计算条件概率时，有可能出现极大似然函数为0的情况，这时需要在分子分母上添加上一个正数，使得其值不为0.

同样，先验概率的贝叶斯估计也需要改进：

3、后验概率最大化

         朴素贝叶斯将实例分到后验概率最大的类中，等价于0-1损失函数时期望风险最小化。

0-1损失函数为：

期望风险为：

为了使期望风险最小化，只需对X=x逐个极小化，

即通过期望风险最小化，得到了后验概率最大化。

 

最后附加一些基本概念：

概率：已知一些参数，预测接下来的观测结果；

似然性：已知某些观测结果，预测其参数；

似然函数：统计模型中关于参数的函数；

最大似然估计：在已知试验结果的情况下，用来估计满足这些样本分布的参数，把可能性最大的参数作为真实的参数，即似然函数取最大值时相应的参数最为合理。

 

参考文献：

[1] 李航，统计学习方法。

[2] 皮果提, http://blog.csdn.net/itplus/article/details/26549871

[3] http://blog.csdn.net/yanqingan/article/details/6125812