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$y$。

1. 基本方法

假设输入空间$\mathcal{X}\subseteq R^n$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）

2. 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。