R语言机器学习 | 6 朴素贝叶斯
第三种判别分析方法是贝叶斯判别法，与前两种方法不同，贝叶斯判别是基于后验概率的判别法，通俗来说就是判断某样本属于各个类别的后验概率，哪个后验概率高就分到哪类去其中最简单的就是朴素贝叶斯(Naive Bayes)判别法。
贝叶斯判别法，顾名思义是以贝叶斯定理为基础，贝叶斯定理公式如下：
可用下面文氏图理解贝叶斯定理：
如果要计算A、B同时发生的概率，可以先计算A发生的概率P(A)，再计算A发生时B发生的概率P(B|A)，如果要两者同时发生，即 P(A∩B) = P(A)*P(B|A)。
另一方面，要计算A、B同时发生的概率，也可以先计算B发生的概率P(B)，再计算B发生同时A发生的概率P(A|B)，使两者同时发生P(A∩B)=P(B)*P(A|B)。
所以，P(A∩B) = P(A)P(B|A) = P(B)P(A|B)，移动一下可得P(B|A) = P(B)P(A|B)/P(A)，或P(A|B)=P(A)P(B|A)/P(B)，即贝叶斯定理，描述了P(A|B)和P(B|A)的关系。
用上面举的例子来说，就是：
CT检测阳性(X)时真正患某肺炎(Y)的概率 = 患肺炎的人中CT检测阳性的概率 * 患某肺炎的先验概率 / CT检测阳性的先验概率
感受一下贝叶斯定理的应用：如果通过文献已知该肺炎的患病率是0.001，CT检测的真阳性率（得病条件下且检测出来的概率）是0.9；CT检测假阳性率（没得病条件下检测出得病的概率）是0.09，则如果一个人去检测发现是阳性，他真得该病的概率有多大？
在这个情况下，得病是Y，检测阳性是X，要求的是P(Y|X)。已知得病的先验概率P(Y)=0.001，真阳性率P(X|Y)=0.9。要用公式计算的话还缺一个检测阳性的先验概率P(X)，检测出阳性包含两种情况，一种是真得病且检测出阳性（0.001*0.9），另一种是没得病但是检测出阳性了（0.999*0.09）。把这两种情况相加，可得: P(X) = P(X|Y)P(Y)+P(X|1-Y)P(1-Y) = (0.001*0.9)+(0.999*0.09)=0.09081。再把这些数值代入贝叶斯公式，可得P(Y|X)=0.01。也就是说，在这种情况下，CT检测发现阳性的时候，真患病的概率只有0.01。
这一结果似乎和大多数人心里想的不一样，这一定程度上也是人们进行非理性决策的原因，即忽视了发病的先验概率很低，Kahneman的著作中也有很多研究可以用贝叶斯定理来解释，见这个非常好的介绍贝叶斯定理的视频：https://www.bilibili.com/video/BV1R7411a76r?from=search&seid=4741823831438569937。
2 朴素贝叶斯及其R实现
朴素贝叶斯分类，顾名思义是一种比较简单的基于概率的分类方法。举个不一定恰当的例子，如果在路上看见一个长头发的人，让我们猜其性别，那我们大概率会认为他是女性，因为长发在女性中比例较高。当然，他也可能是男性，但在无其他特征的情况下，我们会选择条件概率最大的类别，这就是朴素贝叶斯的思想。
如果一个数据样本有n个特征X1/X2/...Xn，有m个类别C1/C2/...Cm，现在分别计算P(C1|X),P(C2|X)...P(Cm|X)，然后选取有最高后验概率的类Ci，即：P(Ci | X) > P(Cj | X), 其中1≤ j ≤m, j≠m.
此时就最大化了P(Ci | X), 因此就把该样本分类到Ci中去，这里的Ci称为最大后验假定。但由于如果是属性很多的数据集，计算P(X | Ci)的开销会很大，需要分别计算P(X1|C1),P(X2|C1)...P(Xm|Cm)，为此，朴素贝叶斯做了“类条件独立”的朴素假定，也就是说，假定样本的每个特征都与其他特征相互独立，这样就可以极大的简化运算，然后再用贝叶斯定理进行计算即可。尽管这样的朴素假定会有些简单粗暴，但实际上能够取得不错的分类效果。
朴素贝叶斯的R实现就很简单了，和之前的判别分析没有什么区别~ 这里使用e1071包的naiveBayes()函数：
library(e1071) #klaR包也可以做朴素贝叶斯 data(iris)set.seed(100) #设置seed，保证每次抽样一样 index <- sample(nrow(iris),0.75*nrow(iris)) train <- iris[index,] #训练集 test <- iris[-index,] #测试集 nb1 <- naiveBayes(Species ~., data =train )#计算朴素贝叶斯模型 prediction1 <- predict(nb1, test[,-5],type = 'class') #默认type=class;如果使type=raw即为输出概率，可用于画ROC nb.table <- table(predict=prediction1 , actural=test$Species) #混淆矩阵 nb.tablenb_ratio <- sum(diag(nb.table))/sum(nb.table) #预测正确率 nb_ratio可以看到朴素贝叶斯的表现还是不错的，分类正确率为0.947。
除了e1071包，klaR包也可以完成同样的工作，结果是一样的。
library(klaR)set.seed(100)index <- sample(nrow(iris),0.75*nrow(iris)) train <- iris[index,]test <- iris[-index,]nb2=NaiveBayes(Species ~., data =train )prediction2 = predict(nb2,newdata = test)$classtable(predict=prediction2 , actural=test$Species) #混淆矩阵