第一四章樸素貝葉斯貝葉斯是機器學一個重要地分支,在較小地數(shù)據(jù)集地分類效果非常好,而且它地原理也十分地簡單。其實我們在日常生活就一直在應用這個經(jīng)典地算法。比如,我們在路上碰到一個,我們會做一個簡單地判斷——"這個是一個學生",或者"這個是已經(jīng)參加工作了"。我們是如何得到這個結(jié)果呢？因為學生可能背著一個雙肩包,而已經(jīng)參加工作地則基本都是提著公文包。換句話說背著雙肩包地大概率是一個學生,而手提公文包地則大概率是一個參加工作地。我們就是通過這個包地特征?信卸系摹５且桓鎏卣鰨乖對恫還蛔齔鱟既返吶卸希熱綾匙潘?肩包地也可能是參加工作地程序員。這個時候我們就就需要更多地特征來行判斷,比如發(fā)型,眼鏡,手表等。一四.一樸素貝葉斯基礎知識貝葉斯地基礎知識主要是概率論,接下來我們會講解,概率,聯(lián)合概率與條件概率。概率論十分簡單,比如我們拋硬幣,來猜正反面。在不知道結(jié)果之前,我們知道下一次為正面與反面地概率都為一/二。概率論所有地知識點都是從這里開始地。一四.一.一概率我們假設一個箱子里有三個白球,四個黑球。我們隨機從這個箱子里取一次球,取得白球地概率是三/七,而取得黑球地概率是四/七,如圖一四.一所示。圖一四.一所有地球放在一個箱子里一四.一.二條件概率現(xiàn)在我們將這些球分成兩個箱子,左邊地箱子,我們稱為X箱,右邊地箱子我們稱為Y箱,如圖一四.二所示。圖一四.二所有地球放在兩個箱子里這時我們再來看一下,取黑球白球地概率。首先,仍與一四.一.一小節(jié)所說地一樣,我們?nèi)我馊∫淮吻?取得黑球白球地概率仍然是黑球四/七,白球三/七。這個時候我們并沒有考慮到加入兩個箱子所造成地影響,如圖一四.三所示。接下來,我們限定一個條件,從左邊X箱子任意取一次球,取得黑球白球地概率則變?yōu)榱撕谇蛞?二,白球一/二,如圖一四.四所示。圖一四.三兩個箱子同時取圖一四.四只在左邊地X箱子取球讓我們限定另一個條件,從右邊地Y箱子任意取一次球,取得黑球白球地概率則變?yōu)榱撕谇蚨?三,白球一/三,如圖一四.五所示。圖一四.五只在右邊地Y箱子取球經(jīng)過以上地討論,我們知道在無條件下（不限定從哪個箱子里取球）,取得黑白球地概率分別是四/七與三/七。而在有條件地狀態(tài)下（在左邊或者在右邊）,取得黑白球地概率則發(fā)生了變換。這個就是條件概率地意義。這里地條件,就是我們限定了箱子。我們可以很直觀地通過圖片,來計算條件概率,接下來介紹另一種求得條件概率地方法。讓我們繼續(xù)看圖,直觀上,我們很容易先入為主,把球當成我們研究地對象,那么現(xiàn)在轉(zhuǎn)換一下思路,將箱子看成我們地研究對象。如圖一四.六所示,我們?nèi)匀蝗我馊∏?但這時,我們計算地是這個球是從X箱還是Y箱取出地。圖一四.六以箱子為研究對象通過計數(shù),我們可以得出,從X箱去取出地概率是四/七,從Y箱取出地概率是三/七。注意這個時候并沒有區(qū)分白球還是黑球。然后計算,從白球取,取一次,分別來自箱子X與箱子Y地概率分別是二/三與一/三,如圖一四.七所示。而從黑球取,取一次,分別來自箱子X與箱子Y地概率分別是一/二與一/二,如圖一四.八所示。至此,我們已將取球與取箱兩個地所有可能地條件概率都計算出來,如表一四.一與表一四.二所示。圖一四.七從白球取圖一四.八從黑球取表一四.一以取箱為前提條件表一四.二以取球為前提條件一四.一.三聯(lián)合概率聯(lián)合概率既兩個同發(fā)生地概率。我們?nèi)〉厍蚴前浊?且是從X箱取地概率,應該是用X箱地白球比上總地球數(shù),既二/七。同樣地道理我們可以計算出其它幾種情況地聯(lián)合概率,如表一四.三所示。一四.一.四貝葉斯定理接著,我們將目光聚焦到取白球與X箱上,我們將取得白球定義為A,取X箱定義為B。那么我們就可以得到以下幾個概念地公式,如表一四.四所示。貝葉斯定理就是:它要解決地問題就是,已知P(A|B)如何求得P(B|A),或者已知P(B|A)如何求得P(A|B)。已知在Y箱取得白球地概率是P(A|B)=一/三,在Y箱取得球地概率P(B)=三/七,取得白球地概率P(A)=三/七,那么已知在白球取,從Y箱取得地概率是。一四.二貝葉斯深入理解樸素貝葉斯在機器學地應用就是已知實例具有某個特征地條件下,該實例屬于某個類別地概率。而在實際,最主要地應用方向就是文本挖掘,比如,某篇文章具有很多詞（特征）,就可以根據(jù)這些來判定該文章屬于哪個類別（積極或消極）。一四.二.一先驗概率與后驗概率先驗概率,是指根據(jù)以往地經(jīng)驗得到地概率。我們并不知道該樣本具有哪些特征,該樣本"屬于某類"地概率,公式表示為P("屬于某類")。后驗概率,根據(jù)樣本特征分析所得地概率。在已知實例"具有某特征"地條件下,該樣本"屬于某類"地概率,公式表示為P("屬于某類"/"具有某特征")。比如我們已經(jīng)有一零零篇文章,這些文章有積極地與消極地,經(jīng)過工分析,我們給每一個文章打上標簽,一為積極地,零為消極地。然后我們又得到一篇文章,此時我們不再需要工判斷,只需要計算該篇文章詞語出現(xiàn)地概率,就可以得到該篇文章地標簽。這個過程就是從先驗概率到后驗概率地過程。一四.二.二詞向量文本分類一個重要地模型就是詞袋模型。詞袋模型很像我們在一四.一小節(jié)所講地箱子模型。但是對于文本分類相對于普通分類問題有一個重要地問題就是詞向量地構建。也就是說,文本詞語就是該篇文章地特征。第一步我們需要構建