一、概率知識基礎

1.概率

概率就是某件事情發(fā)生的可能性。

2.聯合概率

包含多個條件，并且所有條件同時成立的概率，記作：P(A, B) = P(A) * P(B)

3.條件概率

事件A在另外一個事件B已經發(fā)生的條件下的發(fā)生概率，記作：P(A|B)

條件概率的特性：P(A1,A2|B) = P(A1|B)P(A2|B)

注意：此條件概率的成立，是由于A1,A2相互獨立的結果

樸素貝葉斯的原理就是，對于每一個樣本，算出屬于每一個類別的概率，歸為概率最高的那一類。

二、樸素貝葉斯

1.樸素貝葉斯計算方式

直接代入實際例子，各部分解釋如下：

P(C) = P（科技）：科技文檔類別的概率（科技文檔數 / 總文檔數）

P(W|C) = P（‘智能',‘發(fā)展'|科技）：在科技文檔這一類文章中，‘智能'與‘發(fā)展'這兩個特征詞出現的概率。注意：‘智能'，‘發(fā)展'屬于被預測文檔中出現的詞，科技文檔中可能會有更多特征詞，但給定的文檔并不一定全部包含。因此，給定的文檔包含了哪些，就使用哪些。

計算方法：

P(F1|C) = N(i)/N （訓練集中計算）

N(i)是該F1詞在C類別所有文檔中出現的次數

N為所屬類別C下的文檔所有詞出現的次數和

P（‘智能'|科技） = ‘智能'在所有科技類文檔中出現的次數 / 科技類文檔下所有出現的詞次數和

則P(F1,F2...|C) = P(F1|C) * P(F2|C)

P（‘智能'，‘發(fā)展'|科技） = P（‘智能'|科技） * P（‘發(fā)展'|科技）

這樣就可以計算出基于被預測文檔中的特征詞，被預測文檔屬于科技的概率。同樣的方法計算其他類型的概率。哪個高就算哪個。

2.拉普拉斯平滑

3.樸素貝葉斯API

sklearn.naive_bayes.MultinomialNB

三、樸素貝葉斯算法案例

1.案例概述

本案例的數據是來自于sklearn中的20newsgroups數據，通過提取文章中的特征詞，使用樸素貝葉斯方法，對被預測文章進行計算，通過得出的概率來確定文章屬于哪一類。

大致步驟如下：首先將文章分成兩類，一類作為訓練集，一類作為測試集。接下來使用tfidf分別對訓練集以及測試集文章進行特征抽取，這樣就生成了訓練集測試集的x，接下來可以直接調用樸素貝葉斯算法，將訓練集數據x_train, y_train導入進去，訓練模型。最后使用訓練好的模型來測試即可。

2.數據獲取

導入數據庫：import sklearn.datasets as dt

導入數據：news = dt.fetch_20newsgroups(subset='all')

3.數據處理

分割使用的方法和knn中的一樣。另外，從sklearn中導入的數據，都可以直接調用 .data獲取數據集，調用.target獲取目標值。

分割數據：x_train, x_test, y_train, y_test = train_test_split(news.data, news.target, test_size=0.25)

特征值提取方法實例化：tf = TfIdfVectorizer()

訓練集數據特征值提?。簒_train = tf.fit_transform(x_train)

測試集數據特征值提?。簒_test = tf.transform(x_test)

測試集的特征提取，只需要調用transform，因為要使用訓練集的標準，并且在上一步已經fit過得出訓練集的標準了，測試集直接使用就行。

4.算法流程

算法實例化：mlt = MultinomialNB(alpha=1.0)

算法訓練：mlt.fit(x_train, y_train)

預測結果：y_predict = mlt.predict(x_test)

5.注意事項

樸素貝葉斯算法的準確率，是由訓練集來決定的，不需要調參。訓練集誤差大，結果肯定不好。因為算的方式固定，并且沒有一個超參數可供調整。

樸素貝葉斯的缺點：假設了文檔中一些詞和另外一些詞是獨立的，相互沒聯系。并且是在訓練集中進行的詞統(tǒng)計，會對結果造成干擾，訓練集越好，結果越好，訓練集越差，結果越差。

四、分類模型的評估

1.混淆矩陣

評估標準有數種，其一是準確率，也就是對預測的目標值和提供的目標值一一對比，計算準確率。

我們也有其他更通用也更好用的評估標準，即精確率和召回率。精確率和召回率是基于混淆矩陣計算的。

一般情況下我們只關注召回率。

F1分類標準：

根據以上式子，使用精確率召回率，可計算出F1-score，該結果可反應模型的穩(wěn)健性。

2.評估模型API

sklearn.metricx.classification_report

3.模型選擇與調優(yōu)

①交叉驗證

交叉驗證是為了讓被評估的模型更加準確可信，方法如下：

>>將所有數據分成n等份

>>第一份作為驗證集，其他作為訓練集，得出一個準確率，模型1

>>第二份作為驗證集，其他作為訓練集，得出一個準確率，模型2

>>......

>>直到每一份都過一遍，得出n個模型的準確率

>>對所有的準確率求平均值，我們就得到了最終更為可信的結果。

若分為四等分，則叫做“4折交叉驗證”。

②網格搜索

網格搜索主要是和交叉驗證同時使用，用來調參數。比如K-近鄰算法中有超參數k，需要手動指定，比較復雜，所以需要對模型預設幾種超參數組合，每組超參數都采用交叉驗證來進行評估，最后選出最優(yōu)的參數組合建立模型。（K-近鄰算法就一個超參數k，談不上組合，但是如果算法有2個或以上超參數，就進行組合，相當于窮舉法）

網格搜索API：sklearn.model_selection.GridSearchCV

五、以knn為例的模型調優(yōu)使用方法

假設已經將數據以及特征處理好，并且得到了x_train, x_test, y_train, y_test，并且已經將算法實例化：knn = KNeighborsClassifier()

1.對超參數進行構造

因為算法中需要用到的超參數的名字就叫做'n_neighbors'，所以直接按名字指定超參數選擇范圍。若有第二個超參數，在后面添加字典元素即可。

params = {'n_neighbors':[5,10,15,20,25]}

2.進行網格搜索

輸入的參數：算法（估計器），網格參數，指定幾折交叉驗證

gc = GridSearchCV(knn, param_grid=params, cv=5)

基本信息指定好后，就可以把訓練集數據fit進去

gc.fit(x_train, y_train)

3.結果查看

網格搜索算法中，有數種方法可以查看準確率、模型、交叉驗證結果、每一次交叉驗證后的結果。

gc.score(x_test, y_test) 返回準確率

gc.best_score_ 返回最高的準確率

gc.best_estimator_ 返回最好的估計器（返回的時候會自動帶上所選擇的超參數）

以上就是python機器學習樸素貝葉斯及模型的選擇和調優(yōu)詳解的詳細內容，更多關于樸素貝葉斯及模型的選擇和調優(yōu)的資料請關注本站其它相關文章！

版權聲明：本站文章來源標注為YINGSOO的內容版權均為本站所有，歡迎引用、轉載，請保持原文完整并注明來源及原文鏈接。禁止復制或仿造本網站，禁止在非maisonbaluchon.cn所屬的服務器上建立鏡像，否則將依法追究法律責任。本站部分內容來源于網友推薦、互聯網收集整理而來，僅供學習參考，不代表本站立場，如有內容涉嫌侵權，請聯系alex-e#qq.com處理。