樸素貝葉斯演演算法

樸素

假定特徵與特徵之間是相互獨立的

貝葉斯公式

公式分為三個部分：

• P(C)：每個檔案類別的概率(某檔案類別數／總檔案數量)
• P(W│C)：給定類別下特徵（被預測檔案中出現的詞）的概率P(F1,F2,…) 預測檔案中每個詞的概率
  • 計算方法：P(F1│C)=Ni/N （訓練檔案中去計算）
    • Ni為該F1詞在C類別所有檔案中出現的次數
    • N為所屬類別C下的檔案所有詞出現的次數和

如果計算兩個類別概率比較：

 所以我們只要比較前面的大小就可以，得出誰的概率大

有的時候會出現為0的情況，而我們知道為0的情況不大可能出現，因此需要引進另一個引數，防止出現0

拉普拉斯平滑係數

目的：防止計算出的分類概率為0

API

• sklearn.naive_bayes.MultinomialNB(alpha = 1.0)
  • 樸素貝葉斯分類
  • alpha：拉普拉斯平滑係數

案例-新聞分類

分析

• 分割資料集

• tfidf進行的特徵抽取

• 樸素貝葉斯預測

from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import  MultinomialNB


def nb_news():
    #獲取資料集
    news=fetch_20newsgroups(subset="all")
    #劃分資料集
    x_train,x_test,y_train,y_test=train_test_split(news.data,news.target)
    #文字特徵抽取
    transfer=TfidfVectorizer()
    x_train=transfer.fit_transform(x_train)
    x_test=transfer.transform(x_test)
    #樸素貝葉斯
    estimator=MultinomialNB()
    estimator.fit(x_train,y_train)

    #模型評估
    # 方法1：直接比對真實值和預測值
    y_predict = estimator.predict(x_test)
    print("y_predict:n", y_predict)
    print("直接比對真實值和預測值:n", y_test == y_predict)
    # 方法2：計算準確率
    score = estimator.score(x_test, y_test)
    print("準確率為：n", score)



    return None

if __name__ == '__main__':
    nb_news()

結果為：

總結

• 優點：
  • 樸素貝葉斯模型發源於古典數學理論，有穩定的分類效率。
  • 對缺失資料不太敏感，演演算法也比較簡單，常用於文字分類。
  • 分類準確度高，速度快
• 缺點：
  • 由於使用了樣本屬性獨立性的假設，所以如果特徵屬性有關聯時其效果不好

決策樹

認識決策樹

決策樹分類原理詳解

問題：如何對這些客戶進行分類預測？你是如何去劃分？

有可能你的劃分是這樣的

 那麼我們怎麼知道這些特徵哪個更好放在最上面，那麼決策樹的真是劃分是這樣的

原理

資訊熵，資訊增益

資訊熵的定義

總結（重要）

• 資訊和消除不確定性是相聯絡的

當我們得到的額外資訊（球隊歷史比賽情況等等）越多的話，那麼我們猜測的代價越小（猜測的不確定性減小）

問題： 回到我們前面的貸款案例，怎麼去劃分？可以利用當得知某個特徵（比如是否有房子）之後，我們能夠減少的不確定性大小。越大我們可以認為這個特徵很重要。那怎麼去衡量減少的不確定性大小呢？

決策樹的劃分依據之一------資訊增益

定義與公式

特徵A對訓練資料集D的資訊增益g(D,A),定義為集合D的資訊熵H(D)與特徵A給定條件下D的資訊條件熵H(D|A)之差，即公式為：

 公式的詳細解釋：

貸款特徵重要計算

我們以年齡特徵來計算：

1、g(D, 年齡) = H(D) -H(D|年齡) = 0.971-[5/15H(青年)+5/15H(中年)+5/15H(老年]

2、H(D) = -(6/15log(6/15)+9/15log(9/15))=0.971

3、H(青年) = -(3/5log(3/5) +2/5log(2/5))
H(中年)=-(3/5log(3/5) +2/5log(2/5))
H(老年)=-(4/5og(4/5)+1/5log(1/5))

我們以A1、A2、A3、A4代表年齡、有工作、有自己的房子和貸款情況。最終計算的結果g(D, A1) = 0.313, g(D, A2) = 0.324, g(D, A3) = 0.420,g(D, A4) = 0.363。所以我們選擇A3 作為劃分的第一個特徵。這樣我們就可以一棵樹慢慢建立

決策樹API

• class sklearn.tree.DecisionTreeClassifier(criterion=’gini’, max_depth=None,random_state=None)
  • 決策樹分類器
  • criterion:預設是’gini’係數，也可以選擇資訊增益的熵’entropy’
  • max_depth:樹的深度大小
  • random_state:亂數種子
• 其中會有些超引數：max_depth:樹的深度大小
  • 其它超引數我們會結合隨機森林講解

案例

鳶尾花決策樹分析

from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier,export_graphviz
import pydotplus

def tree():
    """
    用決策樹對鳶尾花分類
    """
    #獲取資料集
    iris=load_iris()
    #劃分資料集
    x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,random_state=22)
    #決策樹預估器
    estimator=DecisionTreeClassifier(criterion="entropy")
    estimator.fit(x_train,y_train)

    # 模型評估
    # 方法1：直接比對真實值和預測值
    y_predict = estimator.predict(x_test)
    print("y_predict:n", y_predict)
    print("直接比對真實值和預測值:n", y_test == y_predict)
    # 方法2：計算準確率
    score = estimator.score(x_test, y_test)
    print("準確率為：n", score)

    #視覺化決策樹
    dot_data=export_graphviz(estimator,out_file=None,feature_names=iris.feature_names)
    graph = pydotplus.graph_from_dot_data(dot_data)
    graph.write_pdf("iris.pdf")

    return None


if __name__ == '__main__':
    tree()

結果為：

 視覺化展示：

泰坦尼克號乘客生存預測

相關資料與說明：https://www.kaggle.com/zephyrzhan522/titanic-prediction-dl-vs-ml

分析

• 選擇我們認為重要的幾個特徵 ['pclass', 'age', 'sex']
• 填充缺失值
• 特徵中出現類別符號，需要進行one-hot編碼處理(DictVectorizer)資料集劃分
  • x.to_dict(orient="records") 需要將陣列特徵轉換成字典資料
• 決策樹分類預測

步驟

讀取資料

 抽取特徵：

 填充缺失值並轉換為字典資料

 資料集劃分以及相關資料的轉化

 決策樹預估以及視覺化

 視覺化展示：

決策樹總結

• 優點：
  • 簡單的理解和解釋，樹木視覺化。
• 缺點：
  • 決策樹學習者可以建立不能很好地推廣資料的過於複雜的樹，這被稱為過擬合。
• 改進：
  • 減枝cart演演算法(決策樹API當中已經實現，隨機森林引數調優有相關介紹)
  • 隨機森林

注：企業重要決策，由於決策樹很好的分析能力，在決策過程應用較多， 可以選擇特徵

整合學習方法之隨機森林

什麼是整合學習方法

整合學習通過建立幾個模型組合的來解決單一預測問題。它的工作原理是生成多個分類器/模型，各自獨立地學習和作出預測。這些預測最後結合成組合預測，因此優於任何一個單分類的做出預測。

什麼是隨機森林

隨機森林是一個包含多個決策樹的分類器，並且其輸出的類別是由個別樹輸出的類別的眾數而定。

例如, 如果你訓練了5個樹, 其中有4個樹的結果是True, 1個數的結果是False, 那麼最終投票結果就是True

隨機森林原理過程

學習演演算法根據下列演演算法而建造每棵樹：

• 用N來表示訓練用例（樣本）的個數，M表示特徵數目。採取bootstrap抽樣
  • 1、一次隨機選出一個樣本，重複N次， （有可能出現重複的樣本）
  • 2、隨機去選出m個特徵, m <<M，建立決策樹

為什麼採用BootStrap抽樣

• 為什麼要隨機抽樣訓練集？　　
  • 如果不進行隨機抽樣，每棵樹的訓練集都一樣，那麼最終訓練出的樹分類結果也是完全一樣的
• 為什麼要有放回地抽樣？
  • 如果不是有放回的抽樣，那麼每棵樹的訓練樣本都是不同的，都是沒有交集的，這樣每棵樹都是「有偏的」，都是絕對「片面的」（當然這樣說可能不對），也就是說每棵樹訓練出來都是有很大的差異的；而隨機森林最後分類取決於多棵樹（弱分類器）的投票表決。

API

• class sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None, min_samples_split=2)

  • 隨機森林分類器
  • n_estimators：integer，optional（default = 10）森林裡的樹木數量120,200,300,500,800,1200
  • criteria：string，可選（default =「gini」）分割特徵的測量方法
  • max_depth：integer或None，可選（預設=無）樹的最大深度 5,8,15,25,30
  • max_features="auto」,每個決策樹的最大特徵數量
    • If "auto", then max_features=sqrt(n_features).
    • If "sqrt", then max_features=sqrt(n_features) (same as "auto").
    • If "log2", then max_features=log2(n_features).
    • If None, then max_features=n_features.
  • bootstrap：boolean，optional（default = True）是否在構建樹時使用放回抽樣
  • min_samples_split:節點劃分最少樣本數
  • min_samples_leaf:葉子節點的最小樣本數

• 超引數：n_estimator, max_depth, min_samples_split,min_samples_leaf

案例

還是剛剛的泰坦尼克號，用隨機森林進行預測

結果為：

總結

• 在當前所有演演算法中，具有極好的準確率
• 能夠有效地執行在巨量資料集上，處理具有高維特徵的輸入樣本，而且不需要降維
• 能夠評估各個特徵在分類問題上的重要性

分類演演算法總結