【ML】贝叶斯分类和朴素贝叶斯分类

article/2025/10/15 21:33:59

一、介绍

贝叶斯定理是英国数学家托马斯·贝叶斯提出的，为了解决一个“逆概率”问题。

贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。而朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法。

贝叶斯算法和决策树、SVM 一样，是分类算法。用来衡量标签和特征之间的概率关系，属于有监督学习算法。

因为贝叶斯是基于概率论的算法，了解算法之前，需要了解概率论的几个概念：

联合概率：A事件和B事件同时发生的概率，P(AB)或者P(A,B)、P(A∩B)
条件概率：P(B|A): A事件发生的条件下,B事件发生的概率; P(A|B): B事件发生的条件下,A事件发生的概率
先验概率：事件发生前的预判概率。可以是基于历史数据的统计，可以由背景常识得出，也可以是人的主观观点给出。一般都是单独事件概率，如P(A),P(B)
后验概率：事件发生后求的反向条件概率；或者说，基于先验概率求得的反向条件概率。概率形式与条件概率相同。

P(AB) = P(BA)

= P(A|B)P(B)
=P(B|A)P(A)

通过 $P (A ∣ B)$ 来求 $P (B ∣ A)$ : ${P(B|A)}=\frac {P(A|B)*P(B)}{P(A)}$

分母可以根据全概率公式分解为：
在这里插入图片描述
最终公式变为：

举例说明
假设以下是医院病人的症状和职业的特征，对应疾病标签也如图所示：

那么，现在又来了第7个病人，是一个打喷嚏的建筑工人。请问他患上感冒的概率有多大？
根据贝叶斯公式计算：

P(A|B) = P(B|A) P(A) / P(B)
P(感冒|打喷嚏x建筑工人)= P(打喷嚏x建筑工人|感冒) x P(感冒)/ P(打喷嚏x建筑工人)# 假定"打喷嚏"和"建筑工人"这两个特征是独立的，因此，上面的等式就变成了
P(感冒|打喷嚏x建筑工人)= P(打喷嚏|感冒) x P(建筑工人|感冒) x P(感冒)/ P(打喷嚏) x P(建筑工人)其中：
P(打喷嚏|感冒):感冒发生的条件下，是打喷嚏引起的概率【查表可知3个样本，2个是打喷嚏】= 2/3=0.66P(建筑工人|感冒):感冒发生的条件下，是建筑工人的概率【查表可知3个样本，1个是建筑工人】= 1/3=0.33P(感冒):6个样本中有3个是感冒= 3/6=0.5
P(打喷嚏)=3/6=0.5
P(建筑工人)=2/6=0.33所以：   
P(感冒|打喷嚏x建筑工人)= 0.66 x 0.33 x 0.5 / 0.5 x 0.33= 0.66

因此，这个打喷嚏的建筑工人，有 66% 的概率是得了感冒。同理，可以计算这个病人患上过敏或脑震荡的概率。比较这几个概率，就可以知道他最可能得什么病。这就是贝叶斯分类器的基本方法：在统计资料的基础上，依据某些特征，计算各个类别的概率，从而实现分类。

朴素贝叶斯中的“朴素”一词的来源就是假设各特征之间相互独立。这一假设使得朴素贝叶斯算法变得简单，但有时会牺牲一定的分类准确率。

朴素贝叶斯分类的优缺点
优点：

（1）算法逻辑简单,易于实现
（2）分类过程中时空开销小

缺点：

理论上，朴素贝叶斯模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为朴素贝叶斯模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，在属性个数比较多或者属性之间相关性较大时，分类效果不好。
而在属性相关性较小时，朴素贝叶斯性能最为良好。对于这一点，有半朴素贝叶斯之类的算法通过考虑部分关联性适度改进。

二、朴素贝叶斯的种类

高斯朴素贝叶斯：如果特征 x 是连续型变量。可以假设 x 服从高斯分布（正态分布）。根据正态分布的概率密度函数即可计算出P(X | Y=1)；
多项式朴素贝叶斯：假设概率分布是服从一个简单多项式分布。多项式分布具体解释为：实验包括 n 次重复试验，每项试验都有不同的可能结果。在任何给定的试验中，特定结果发生的概率是不变的。比如：掷骰子在[1,2,3,4,5,6]中取值，6 种结果互不干涉，且只要样本量足够大，概率都是 1/6 。这就是一个多项分布；
伯努利朴素贝叶斯：就是数据集中可以存在多个特征，但每个特征都是二分类的，可以以布尔变量表示，也可以表示为{0，1}或者{-1，1}等任意二分类组合。比如抛硬币。