Spark朴素贝叶斯(naiveBayes)
朴素贝叶斯（Naïve Bayes）
介绍
Byesian算法是统计学的分类方法，它是一种利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯分类算法可以与决策树和神经网络分类算法想媲美，该算法能运用到大型数据库中，且方法简单，分类准确率高，速度快，这个算法是从贝叶斯定理的基础上发展而来的，贝叶斯定理假设不同属性值之间是不相关联的。但是现实说中的很多时候，这种假设是不成立的，从而导致该算法的准确性会有所下降。
运用场景
1.医生对病人进行诊断就是一个典型的分类过程，任何一个医生都无法直接看到病人的病情，只能观察病人表现出的症状和各种化验检测数据来推断病情，这时医生就好比一个分类器，而这个医生诊断的准确率，与他当初受到的教育方式（构造方法）、病人的症状是否突出（待分类数据的特性）以及医生的经验多少（训练样本数量）都有密切关系。
2.根据各种天气状况判断一个人是否会去踢球，下面的例子就是。
3.各种分类场景
贝叶斯定理
已知某条件概率，如何得到两个事件交换后的概率，也就是在已知P(A|B)的情况下如何求得P(B|A)。这里先解释什么是条件概率：
表示事件B已经发生的前提下，事件A发生的概率，叫做事件B发生下事件A的条件概率。其基本求解公式为：
贝叶斯定理之所以有用，是因为我们在生活中经常遇到这种情况：我们可以很容易直接得出P(A|B)，P(B|A)则很难直接得出，但我们更关心P(B|A)，贝叶斯定理就为我们打通从P(A|B)获得P(B|A)的道路。
下面直接给出贝叶斯定理：
输入数据说明
数据:天气情况和每天是否踢足球的记录表
|
日期 |
踢足球 |
天气 |
温度 |
湿度 |
风速 |
|
1号 |
否(0) |
晴天(0) |
热(0) |
高(0) |
低(0) |
|
2号 |
否(0) |
晴天(0) |
热(0) |
高(0) |
高(1) |
|
3号 |
是(1) |
多云(1) |
热(0) |
高(0) |
低(0) |
|
4号 |
是(1) |
下雨(2) |
舒适(1) |
高(0) |
低(0) |
|
5号 |
是(1) |
下雨(2) |
凉爽(2) |
正常(1) |
低(0) |
|
6号 |
否(0) |
下雨(2) |
凉爽(2) |
正常(1) |
高(1) |
|
7号 |
是(1) |
多云(1) |
凉爽(2) |
正常(1) |
高(1) |
|
8号 |
否(0) |
晴天(0) |
舒适(1) |
高(0) |
低(0) |
|
9号 |
是(1) |
晴天(0) |
凉爽(2) |
正常(1) |
低(0) |
|
10号 |
是(1) |
下雨(2) |
舒适(1) |
正常(1) |
低(0) |
|
11号 |
是(1) |
晴天(0) |
舒适(1) |
正常(1) |
高(1) |
|
12号 |
是(1) |
多云(1) |
舒适(1) |
高(0) |
高(1) |
|
13号 |
是(1) |
多云(1) |
热(0) |
正常(1) |
低(0) |
|
14号 |
否(0) |
下雨(2) |
舒适(1) |
高(0) |
高(1) |
|
15号 |
？ |
晴天(0) |
凉爽(2) |
高(0) |
高(1) |
数据抽象为如下，含义为是否会去踢球，天气，温度，湿度，风速
如果15号的天气为(晴天，凉爽，湿度高，风速高，预测他是否会踢足球)
计算过程
假设小明15号去踢球，踢球概率为：
P(踢)=9/14
P(晴天|踢)=2/9
P(凉爽|踢)=3/9
P(湿度高|踢)=3/9
P(风速高|踢)=3/9
P(踢)由踢的天数除以总天数得到，P(晴天|踢)为踢球的同事是晴天除以踢的天数得到，其他以此类推。
P(踢|晴天,凉爽,湿度高,风速高)=
P(踢)* P(晴天|踢)* P(凉爽|踢)* P(湿度高|踢) *P(风速高|踢)=
9/14*2/9*3/9*3/9*3/9=0.00529
假设小明15号不去踢球，概率为：
P(不踢)=5/14
P(晴天|不踢)=3/5
P(凉爽|不踢)=1/5
P(湿度高|不踢)=4/5
P(风速高|不踢)=3/5
P(不踢|晴天,凉爽,湿度高,风速高)=
P(不踢)* P(晴天|不踢)* P(凉爽|不踢)* P(湿度高|不踢) *P(风速高|不踢)=
5/14*3/5*1/5*4/5*3/5=0.02057
可以看到小明不去踢足球的概率比去踢足球的概率高。
流程图
测试代码
importorg.apache.spark.mllib.classification.NaiveBayes
import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.mllib.regression.LabeledPoint
import org.apache.spark.{SparkContext,SparkConf}
object naiveBayes {
def main(args: Array[String]) {
val conf =new
SparkConf()
val sc =new
SparkContext(conf)
//读入数据
val data = sc.textFile(args(0))
val parsedData =data.map { line =>
val parts =line.split(',')
LabeledPoint(parts(0).toDouble,Vectors.dense(parts(1).split('
').map(_.toDouble)))
}
// 把数据的60%作为训练集，40%作为测试集.
val splits = parsedData.randomSplit(Array(0.6,0.4),seed
= 11L)
val training =splits(0)
val test =splits(1)
//获得训练模型,第一个参数为数据，第二个参数为平滑参数，默认为1，可改
val model =NaiveBayes.train(training,lambda =
1.0)
//对模型进行准确度分析
val predictionAndLabel= test.map(p => (model.predict(p.features),p.label))
val accuracy =1.0
*predictionAndLabel.filter(x => x._1 == x._2).count() / test.count()
println("accuracy-->"+accuracy)
println("Predictionof (0.0, 2.0, 0.0, 1.0):"+model.predict(Vectors.dense(0.0,2.0,0.0,1.0)))
}
}
提交代码脚本(standalone模式)：
./bin/spark-submit
--name nb （项目名）
--class naiveBayes （主类名）
--master spark://master:7077 （使用集群管理器）
~/Desktop/naiveBayes.jar （代码包位置）
Hdfs://master:9000/NB.data （args(0)的参数值）
输出结果说明
准确度为75%,这里是因为测试集数据量比较小的原因，所以偏差较大。
可以从结果看到对15号的预测为不会踢球，和我们数学计算的结果一致。
