朴素贝叶斯法

朴素贝叶斯（native Bayes）法是基于贝叶斯定理与特征条件独立假设的分类方法。

对于给定的训练集，首先基于特征条件独立假设学习输入/输出的联合概率分布；然后基于此模型，对于给定的输入$$x $$，利用贝叶斯定理求出后验概率最大的输出$$y$$。

基本方法

假设输入空间$$\mathcal{X}\subseteq Rn$$为$$n$$维向量的集合，输出空间为类标记集合$$\mathcal{Y}={c_1, c_2,...,c_K}$$。输入为特征向量$$x\in \mathcal{X}$$，输出为类标记$$y\in \mathcal{Y}$$。$$X$$是定义在输入空间$$\mathcal{X}$$上的随机向量，$$Y$$是定义在输出空间$$\mathcal{Y}$$上的随机变量。$$P(X,Y)$$是$$X$$和$$Y$$的联合概率分布。训练数据集$$T={(x{(1)},y{(1)}),(x{(2)},y{(2)}),...,(x{(m)},y^{(m)})}$$是由$$P(X,Y)$$独立同分布产生的，其中每个$$x=(x_1, x_2,...,x_n)$$是$$n$$维向量。

朴素贝叶斯法通过对给定的输入$$x$$，通过学习到的模型计算后验概率分布$$P(Y=c_k|X=x)$$，然后将后验概率最大的类作为$$x $$的输出。计算后验概率：

$$ P(Y=c_k|X=x)=\dfrac{P(Y=c_k, X=x)}{P(X=x)}=\dfrac{P(X=x|Y=c_k)P(Y=c_k)}{\displaystyle\sum_{k=1}^KP(X=x|Y=c_k)P(Y=c_k)} $$

其中$$k=1,2,...,K$$，可以看到分母对于所有的类标记$$c_k$$都是相同的，则可以得到输出

$$ y=\arg \max_{c_k}P(X=x|Y=c_k)P(Y=c_k) $$

其中

$$ P(Y=c_k), \ k=1,2,...,K $$

是先验概率分布。

$$ P(X=x|Y=c_k)=P(X_1=x_1, X_2=x_2,...,X_n=x_n|Y=c_k), \ k=1,2,...,K $$

是条件概率分布（似然函数）。假定条件概率分布中的每个特征是条件独立的，则

$$ P(X=x|Y=c_k)=\prod_{j=1}^n P(X_j=x_j|Y=c_k) $$

这一假设使得朴素贝叶斯法变得简单，但是会牺牲一定的分类准确率。

于是代入，可以得到：

$$ y=f(x)=\arg \max_{c_k}\prod_{j=1}^n P(X_j=x_j|Y=c_k)P(Y=c_k) $$

朴素贝叶斯法属于生成模型（模型给定了输入$$X$$产生输出$$Y$$的生成关系，区别于判别模型）

模型的原理

首先，定义0-1损失函数：

$$ L(Y,f(X)) = \begin{cases} 1 &\text{if }Y{\neq}f(X) \ 0 &\text{if }Y{=}f(X) \end{cases} $$

其中$$f(X)$$是分类决策函数的预测值，$$Y$$是真实值。这时，损失函数的期望是

$$ R_{exp}(f)=E[L(Y,f(X))] $$

对于输入$$X=x$$，计算$$X=x$$条件下的期望损失函数，即条件期望

$$ E[L(Y,f(X=x))|X=x]=\displaystyle\sum_{k=1}^KL(c_k, f(X=x))P(c_k|X=x) $$

则在$$X=x$$条件下，求得期望风险最小化，

$$ f(x)=\arg\min_{y\in \mathcal{Y}}\displaystyle\sum_{k=1}^KL(c_k, y)P(c_k|X=x) $$

也就是计算每一个$$y\in \mathcal{Y}$$，计算其条件期望，并找出其中的最小值时的$$y$$作为输出。

同时$$y=c_k$$时，$$L(c_k, y)=0$$，则

$$ f(x)=\arg\min_{y\in \mathcal{Y}}\displaystyle\sum_{c_k\neq y}P(c_k|X=x) $$

然后条件概率对于所有可能的类标签总和为1，即$$\displaystyle\sum_{k=1}^KP(c_k|X=x)=1$$，于是得到：

$$ f(x)=\arg\min_{c_k\in \mathcal{Y}}\big(1-P(c_k|X=x)\big) $$

转换成求最大：

$$ f(x)=\arg\max_{c_k\in \mathcal{Y}}P(c_k|X=x) $$

这样便是在0-1损失函数的情况下，期望风险最小化准则得到了后验概率最大化准则，即朴素贝叶斯法的原理。