python機器學習樸素貝葉斯算法及模型的選擇和調(diào)優(yōu)詳解

第python機器學習樸素貝葉斯算法及模型的選擇和調(diào)優(yōu)詳解目錄一、概率知識基礎(chǔ)1.概率2.聯(lián)合概率3.條件概率二、樸素貝葉斯1.樸素貝葉斯計算方式2.拉普拉斯平滑3.樸素貝葉斯API三、樸素貝葉斯算法案例1.案例概述2.數(shù)據(jù)獲取3.數(shù)據(jù)處理4.算法流程5.注意事項四、分類模型的評估1.混淆矩陣2.評估模型API3.模型選擇與調(diào)優(yōu)①交叉驗證②網(wǎng)格搜索五、以knn為例的模型調(diào)優(yōu)使用方法1.對超參數(shù)進行構(gòu)造2.進行網(wǎng)格搜索3.結(jié)果查看

一、概率知識基礎(chǔ)

1.概率

概率就是某件事情發(fā)生的可能性。

2.聯(lián)合概率

包含多個條件，并且所有條件同時成立的概率，記作：P(A,B)=P(A)*P(B)

3.條件概率

事件A在另外一個事件B已經(jīng)發(fā)生的條件下的發(fā)生概率，記作：P(A|B)

條件概率的特性：P(A1,A2|B)=P(A1|B)P(A2|B)

注意：此條件概率的成立，是由于A1,A2相互獨立的結(jié)果

樸素貝葉斯的原理就是，對于每一個樣本，算出屬于每一個類別的概率，歸為概率最高的那一類。

二、樸素貝葉斯

1.樸素貝葉斯計算方式

直接代入實際例子，各部分解釋如下：

P(C)=P（科技）：科技文檔類別的概率（科技文檔數(shù)/總文檔數(shù)）

P(W|C)=P（‘智能',‘發(fā)展'|科技）：在科技文檔這一類文章中，‘智能'與‘發(fā)展'這兩個特征詞出現(xiàn)的概率。注意：‘智能'，‘發(fā)展'屬于被預測文檔中出現(xiàn)的詞，科技文檔中可能會有更多特征詞，但給定的文檔并不一定全部包含。因此，給定的文檔包含了哪些，就使用哪些。

計算方法：

P(F1|C)=N(i)/N（訓練集中計算）

N(i)是該F1詞在C類別所有文檔中出現(xiàn)的次數(shù)

N為所屬類別C下的文檔所有詞出現(xiàn)的次數(shù)和

P（‘智能'|科技）=‘智能'在所有科技類文檔中出現(xiàn)的次數(shù)/科技類文檔下所有出現(xiàn)的詞次數(shù)和

則P(F1,F2...|C)=P(F1|C)*P(F2|C)

P（‘智能'，‘發(fā)展'|科技）=P（‘智能'|科技）*P（‘發(fā)展'|科技）

這樣就可以計算出基于被預測文檔中的特征詞，被預測文檔屬于科技的概率。同樣的方法計算其他類型的概率。哪個高就算哪個。

2.拉普拉斯平滑

3.樸素貝葉斯API

sklearn.naive_bayes.MultinomialNB

三、樸素貝葉斯算法案例

1.案例概述

本案例的數(shù)據(jù)是來自于sklearn中的20newsgroups數(shù)據(jù)，通過提取文章中的特征詞，使用樸素貝葉斯方法，對被預測文章進行計算，通過得出的概率來確定文章屬于哪一類。

大致步驟如下：首先將文章分成兩類，一類作為訓練集，一類作為測試集。接下來使用tfidf分別對訓練集以及測試集文章進行特征抽取，這樣就生成了訓練集測試集的x，接下來可以直接調(diào)用樸素貝葉斯算法，將訓練集數(shù)據(jù)x_train,y_train導入進去，訓練模型。最后使用訓練好的模型來測試即可。

2.數(shù)據(jù)獲取

導入數(shù)據(jù)庫：importsklearn.datasetsasdt

導入數(shù)據(jù)：news=dt.fetch_20newsgroups(subset='all')

3.數(shù)據(jù)處理

分割使用的方法和knn中的一樣。另外，從sklearn中導入的數(shù)據(jù)，都可以直接調(diào)用.data獲取數(shù)據(jù)集，調(diào)用.target獲取目標值。

分割數(shù)據(jù)：x_train,x_test,y_train,y_test=train_test_split(news.data,news.target,test_size=0.25)

特征值提取方法實例化：tf=TfIdfVectorizer()

訓練集數(shù)據(jù)特征值提?。簒_train=tf.fit_transform(x_train)

測試集數(shù)據(jù)特征值提?。簒_test=tf.transform(x_test)

測試集的特征提取，只需要調(diào)用transform，因為要使用訓練集的標準，并且在上一步已經(jīng)fit過得出訓練集的標準了，測試集直接使用就行。

4.算法流程

算法實例化：mlt=MultinomialNB(alpha=1.0)

算法訓練：mlt.fit(x_train,y_train)

預測結(jié)果：y_predict=mlt.predict(x_test)

5.注意事項

樸素貝葉斯算法的準確率，是由訓練集來決定的，不需要調(diào)參。訓練集誤差大，結(jié)果肯定不好。因為算的方式固定，并且沒有一個超參數(shù)可供調(diào)整。

樸素貝葉斯的缺點：假設(shè)了文檔中一些詞和另外一些詞是獨立的，相互沒聯(lián)系。并且是在訓練集中進行的詞統(tǒng)計，會對結(jié)果造成干擾，訓練集越好，結(jié)果越好，訓練集越差，結(jié)果越差。

四、分類模型的評估

1.混淆矩陣

評估標準有數(shù)種，其一是準確率，也就是對預測的目標值和提供的目標值一一對比，計算準確率。

我們也有其他更通用也更好用的評估標準，即精確率和召回率。精確率和召回率是基于混淆矩陣計算的。

一般情況下我們只關(guān)注召回率。

F1分類標準：

根據(jù)以上式子，使用精確率召回率，可計算出F1-score，該結(jié)果可反應模型的穩(wěn)健性。

2.評估模型API

sklearn.metricx.classification_report

3.模型選擇與調(diào)優(yōu)

①交叉驗證

交叉驗證是為了讓被評估的模型更加準確可信，方法如下：

將所有數(shù)據(jù)分成n等份

第一份作為驗證集，其他作為訓練集，得出一個準確率，模型1

第二份作為驗證集，其他作為訓練集，得出一個準確率，模型2

......

直到每一份都過一遍，得出n個模型的準確率

對所有的準確率求平均值，我們就得到了最終更為可信的結(jié)果。

若分為四等分，則叫做“4折交叉驗證”。

②網(wǎng)格搜索

網(wǎng)格搜索主要是和交叉驗證同時使用，用來調(diào)參數(shù)。比如K-近鄰算法中有超參數(shù)k，需要手動指定，比較復雜，所以需要對模型預設(shè)幾種超參數(shù)組合，每組超參數(shù)都采用交叉驗證來進行評估，最后選出最優(yōu)的參數(shù)組合建立模型。（K-近鄰算法就一個超參數(shù)k，談不上組合，但是如果算法有2個或以上超參數(shù)，就進行組合，相當于窮舉法）

網(wǎng)格搜索API：sklearn.model_selection.GridSearchCV

五、以knn為例的模型調(diào)優(yōu)使用方法

假設(shè)已經(jīng)將數(shù)據(jù)以及特征處理好，并且得到了x_train,x_test,y_train,y_test，并且已經(jīng)將算法實例化：knn=KNeighborsClassifier()

1.對超參數(shù)進行構(gòu)造

因為算法中需要用到的超參數(shù)的名字就叫做'n_neighbors'，所以直接按名字指定超參數(shù)選擇范圍。若有第二個超參數(shù)，在后面添加字典元素即可。

params={'n_neighbors':[5,10,15,20,25]}

2.進行網(wǎng)格搜索

輸入的參數(shù)：算法（估計器），網(wǎng)格參數(shù)，指定幾折交叉驗證

gc=GridSearchCV(knn,param_grid=params,cv=5)

基本信息指定好后，就可以把訓練集數(shù)據(jù)fit進去

gc.fit(x_train,y_train)

3.結(jié)果查看

網(wǎng)格搜索算法中，有數(shù)種方法可以查看準確率、模型、交叉驗證結(jié)果、每一次交叉驗證后的結(jié)果。

gc.sc