19. 机器学习——朴素贝叶斯

机器学习面试题汇总与解析——朴素贝叶斯

本章讲解知识点

• 1. 什么是朴素贝叶斯

• 本专栏适合于Python已经入门的学生或人士，有一定的编程基础。

• 本专栏适合于算法工程师、机器学习、图像处理求职的学生或人士。

• 本专栏针对面试题答案进行了优化，尽量做到好记、言简意赅。这才是一份面试题总结的正确打开方式。这样才方便背诵

• 如专栏内容有错漏，欢迎在评论区指出或私聊我更改，一起学习，共同进步。

• 相信大家都有着高尚的灵魂，请尊重我的知识产权，未经允许严禁各类机构和个人转载、传阅本专栏的内容。

  
  

• 关于机器学习算法书籍，我强烈推荐一本《百面机器学习算法工程师带你面试》，这个就很类似面经，还有讲解，写得比较好。

• 关于深度学习算法书籍，我强烈推荐一本《解析神经网络——深度学习实践手册》，简称 CNN book，通俗易懂。

• B站机器学习视频：https://space.bilibili.com/10781175/channel/detail?cid=133301

1. 什么是朴素贝叶斯

1.1 基本概念

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。

朴素贝叶斯（Naive Bayes）是一种基于贝叶斯定理和特征条件独立性假设的分类算法。它通过统计特征在不同类别下的条件概率，来进行分类任务。

1.2 算法流程

朴素贝叶斯算法的流程如下，每一步都列出了对应的公式：

1.准备训练数据集：包含多个样本和对应的类别标签：已知集合 $C=(y_1,y_2,\mathrm{.}\mathrm{.}\mathrm{.}{y}_n)C=(y\_1,y\_2,...y\_n)$ 和特征 $X=(x_1,x_2,\mathrm{.}\mathrm{.}\mathrm{.}{x}_n)X=(x\_1,x\_2,...x\_n)$，确定映射规则 $y=f(\cdot )y\; =\; f(\backslash cdot)$，使得任意 $x_i\in Xx\_i\; \backslash in\; X$ 有且仅有一个 $y_i\in Cy\_i\; \backslash in\; C$ 使得 $y_i\in f(x_i)y\_i\; \backslash in\; f(x\_i)$ 成立。其中 $CC$ 叫做类别集合，其中每一个元素是一个类别，而 $XX$ 叫做项集合（特征集合），其中每一个元素是一个待分类项， $f(\cdot )f(\backslash cdot)$ 叫做分类器。分类算法的任务就是构造分类器 $f(\cdot )f(\backslash cdot)$。

2.计算类别的先验概率： 先验概率 $P(Y=C)P(Y\; =\; C)$ 表示类别 $CC$ 在训练集中的出现频率。 公式： $P(Y=C)=\frac{count(Y=C)}{count(total)}P(Y\; =\; C)\; =\; \backslash frac\{count(Y\; =\; C)\}\; \{count(total)\}$

3.计算特征的条件概率： 条件概率 $P(X=x\mathrm{\mid }Y=C)P(X\; =\; x\; |\; Y\; =\; C)$ 表示在给定类别 $CC$ 的情况下，特征 $XX$ 取值为 $xx$ 的概率。 假设特征之间相互独立，可以通过计算每个特征的条件概率来估计整个特征向量的条件概率。 公式： $P(X=x\mathrm{\mid }Y=C)=\frac{count(X=x,Y=C)}{count(Y=C)}P(X\; =\; x\; |\; Y\; =\; C)\; =\; \backslash frac\{count(X\; =\; x,\; Y\; =\; C)\}\{count(Y\; =\; C)\}$

4.根据贝叶斯定理计算后验概率： 后验概率 $P(Y=C\mathrm{\mid }X)P(Y\; =\; C\; |\; X)$ 表示在观测到特征 $XX$ 的情况下，类别为 $CC$ 的概率。 根据贝叶斯定理，可以通过先验概率和条件概率计算后验概率。 公式： $P(Y=C\mathrm{\mid }X)=P(Y=C)\ast \frac{P(X\mathrm{\mid }Y=C)}{P(X)}P(Y\; =\; C\; |\; X)\; =\; P(Y\; =\; C)\; *\; \backslash frac\{P(X\; |\; Y\; =\; C)\}\{P(X)\}$

5.选择后验概率最大的类别作为预测结果： 将观测样本分类到后验概率最大的类别。 预测结果： $Y_{pred}=(P(Y=C\mathrm{\mid }X))Y\_\{pred\}\; =\; \backslash argmax(P(Y\; =\; C\; |\; X))$

公式总结为，即通过先验概率和条件概率计算后验概率：

也即：

1.3 分类实例

假设我们有一个二元分类问题，需要根据两个特征（ $x_{1}x\_1$ 和 $x_{2}x\_2$）将样本分为两类（正类和负类）。

训练数据如下：

首先，我们需要计算各个类别的先验概率。

$P(\mathrm{正}\mathrm{类})=2\mathrm{/}4=0.5P(正类)\; =\; 2\; /\; 4\; =\; 0.5$

$P(\mathrm{负}\mathrm{类})=2\mathrm{/}4=0.5P(负类)\; =\; 2\; /\; 4\; =\; 0.5$

接下来，我们计算在给定类别下的特征的条件概率。

对于正类： $P(x_1=1\mathrm{\mid }\mathrm{正}\mathrm{类})=1\mathrm{/}2=0.5P(x\_1=1\; |\; 正类)\; =\; 1\; /\; 2\; =\; 0.5$

$P(x_1=0\mathrm{\mid }\mathrm{正}\mathrm{类})=1\mathrm{/}2=0.5P(x\_1=0\; |\; 正类)\; =\; 1\; /\; 2\; =\; 0.5$

$P(x_2=1\mathrm{\mid }\mathrm{正}\mathrm{类})=1\mathrm{/}2=0.5P(x\_2=1\; |\; 正类)\; =\; 1\; /\; 2\; =\; 0.5$

$P(x_2=0\mathrm{\mid }\mathrm{正}\mathrm{类})=1\mathrm{/}2=0.5P(x\_2=0\; |\; 正类)\; =\; 1\; /\; 2\; =\; 0.5$

对于负类： $P(x_1=1\mathrm{\mid }\mathrm{负}\mathrm{类})=0\mathrm{/}2=0P(x\_1=1\; |\; 负类)\; =\; 0\; /\; 2\; =\; 0$

$P(x_1=0\mathrm{\mid }\mathrm{负}\mathrm{类})=2\mathrm{/}2=1P(x\_1=0\; |\; 负类)\; =\; 2\; /\; 2\; =\; 1$

$P(x_2=1\mathrm{\mid }\mathrm{负}\mathrm{类})=1\mathrm{/}2=0.5P(x\_2=1\; |\; 负类)\; =\; 1\; /\; 2\; =\; 0.5$

$P(x_2=0\mathrm{\mid }\mathrm{负}\mathrm{类})=1\mathrm{/}2=0.5P(x\_2=0\; |\; 负类)\; =\; 1\; /\; 2\; =\; 0.5$

现在，我们有一个新的样本，特征为 $x_1=1x\_1=1$ 和 $x_2=0x\_2=0$，需要预测其类别。

计算样本属于正类的后验概率： $P(\mathrm{正}\mathrm{类}\mathrm{\mid }{x}_1=1,x_2=0)\propto P(\mathrm{正}\mathrm{类})\ast P(x_1=1\mathrm{\mid }\mathrm{正}\mathrm{类})\ast P(x_2=0\mathrm{\mid }\mathrm{正}\mathrm{类})=0.5\ast 0.5\ast 0.5=0.125P(正类\; |\; x\_1=1,\; x\_2=0)\; \propto \; P(正类)\; *\; P(x\_1=1\; |\; 正类)\; *\; P(x\_2=0\; |\; 正类)\backslash \backslash \; =\; 0.5\; *\; 0.5\; *\; 0.5\backslash \backslash \; =\; 0.125\backslash \backslash$

计算样本属于负类的后验概率： $P(\mathrm{负}\mathrm{类}\mathrm{\mid }{x}_1=1,x_2=0)\propto P(\mathrm{负}\mathrm{类})\ast P(x_1=1\mathrm{\mid }\mathrm{负}\mathrm{类})\ast P(x_2=0\mathrm{\mid }\mathrm{负}\mathrm{类})=0.5\ast 0\ast 0.5=0P(负类\; |\; x\_1=1,\; x\_2=0)\; \propto \; P(负类)\; *\; P(x\_1=1\; |\; 负类)\; *\; P(x\_2=0\; |\; 负类)\backslash \backslash \; =\; 0.5\; *\; 0\; *\; 0.5\backslash \backslash \; =\; 0\backslash \backslash$

归一化后验概率： $P(\mathrm{正}\mathrm{类}\mathrm{\mid }{x}_1=1,x_2=0)=0.125\mathrm{/}(0.125+0)=1P(正类\; |\; x\_1=1,\; x\_2=0)\; =\; 0.125\; /\; (0.125\; +\; 0)\; =\; 1$

$P(\mathrm{负}\mathrm{类}\mathrm{\mid }{x}_1=1,x_2=0)=0\mathrm{/}(0.125+0)=0P(负类\; |\; x\_1=1,\; x\_2=0)\; =\; 0\; /\; (0.125\; +\; 0)\; =\; 0$