前言

如果想看sklearn之贝叶斯应用可看：Sklearn之朴素贝叶斯应用
贝叶斯的原理可以看：贝叶斯分类器详解
根据这篇文章提到的原理，可知贝叶斯的核心公式是：
$$y=argma{x}_{c_k}P(Y=c_k)\prod _{j=1}^{n}P(X^{(j)}=x^{(j)}|Y=c_k)(1)$$
”朴素贝叶斯“的多种变形算法的主要区别在于对条件概率的处理上，即：$P(X^{(j)}=x^{(j)}|Y=c_k)$,接下来围绕着这个公式对多种变形贝叶斯展开原理分析

1 高斯朴素贝叶斯

1.1 对连续变量的处理

例如：设汉堡的重量为特征$X_i$，令$X_i=100$，则一个汉堡是100g的概率$P(X_i=100|Y)$是多少呢？由于重量是连续型数据，即重量有无数种情况，因此有：
$$P(X_i=100|Y)=\underset{N\to \infty }{\lim }\frac{1}{N}=0$$
因此，考虑某点的概率没有任何意义，这种估算方法不可行
考虑换个角度：随机买一个汉堡，汉堡的重量在98g~102g之间的概率是多少？令特征$X_i$的取值为x，即所求概率为$P(98<x<102|Y)$，假设购买了100个汉堡，其中重量在98g-102g的汉堡有m个，则有：
$$P(98<x<102|Y)=\frac{m}{100}$$
基于100个汉堡绘制直方图，并规定每4g为一个区间，横坐标为汉堡的重量的分布，纵坐标为这个区间上汉堡的个数,如下图所示：

此时可以用面积来表示概率，即：
$$P(98<x<102|Y)=\frac{m\times 4}{100\times 4}=\frac{浅绿色区间面积}{直方图所有区间的面积}$$
如图购买10w个汉堡的直方图所示，其类似一条曲线，因此，当购买无数个汉堡的时候形成的曲线就叫做概率密度曲线（probability density function，PDF），此时整条曲线的面积表示为：${\int }_{-\infty }^{+\infty }f(x)dx$
此时对于连续特征X的取值x在区间$[x_i,x_i+ϵ]$的取值概率为：
$$P(x_i<x<x_i+ϵ|Y)={\int }_{x_i}^{x_i+ϵ}f(x)dx\approx f(x_i)\times ϵ$$
从贝叶斯分类器详解这篇文章可知公式：
$$y=f(x)=argma{x}_{c_k}P(Y=c_k|X=x)=\frac{P(Y=c_k){\prod }_{j}P(X^{(j)}=x^{(j)}|Y=c_k)}{{\sum }_{k}P(Y=c_k){\prod }_{j}P(X^{(j)}=x^{(j)}|Y=c_k)}$$
通过上述式子可知：ϵ可以相互抵消，则仅用$f(x_i)$就可以估算$P(x_i|Y)$了，即将求解连续型变量下某个点取值的概率问题，转化成了求解一个函数$f(x)$在点$x_i$上的取值的问题。令$f(x)$服从高斯分布，用该$f(x)$去估算条件概率$P(x_i|Y)$,这就是高斯朴素贝叶斯

1.2 高斯朴素贝叶斯算法原理

（1）原理
根据上述结论有：高斯贝叶斯算法假定数据样本在各个类别下，每个特征变量的条件概率均服从高斯分布$f(x)$，即：
$$f(x_i)=p(x_i|y_c)=\frac{1}{\sqrt{2\pi {\sigma }_{ci}^2}}exp(-\frac{(x_i-{\mu }_{ci}{)}^2}{2{\sigma }_{ci}^2})$$

• 其中表示第$i$个特征维度，${\sigma }_{ci}$和${\mu }_{ci}$分别表示在类别$y=c$下特征$x_i$对应的标准差与期望。注意：这和1.1里面所讲的$x_i$不是一个意思

由前言可知，之后进行极大化后验概率，为了防止下溢（结果小于所能表示的最小值的情况），因此取对数(以e为底)，可得：
$$\begin{array}{rl}y& =argma{x}_{y_c}log(P(y_c)\prod _{i=0}^{n}P(x_i|y_c))\\ & =argma{x}_{y_c}log(P(y_c)\prod _{i=0}^n\frac{1}{\sqrt{2\pi {\sigma }_{ci}^2}}exp(-\frac{(x_i-{\mu }_{ci}{)}^2}{2{\sigma }_{ci}^2}))\\ & =argma{x}_{y_c}\left[\begin{array}{c}logP(y_c)+\sum _{i=0}^{n}log(\frac{1}{\sqrt{2\pi {\sigma }_{ci}^2}}exp(-\frac{(x_i-{\mu }_{ci}{)}^2}{2{\sigma }_{ci}^2}))\end{array}\right]\\ & =argma{x}_{y_c}(logP(y_c)-\frac{1}{2}\sum _{i=0}^{n}log2\pi {\sigma }_{ci}^2-\frac{1}{2}\sum _{i=0}^n\frac{(x_i-{\mu }_{ci}{)}^2}{{\sigma }_{ci}^2})\end{array}$$
（2）示例
假设有如下连续型数据，一共有两个特征$x_0$、$x_1$，如下表所示，预测x=[0.15,0.25]所属的类别，对数以底数e为底

样本	$x_0$	$x_1$	所属类别
0	0.3	0.5	0
1	0.4	0.6	0
2	0.7	0.9	1
3	0.6	0.7	1

第一步：求先验概率
$$P(y=0)=log\frac{1}{2}\approx -0.693$$
$$P(y=1)=log\frac{1}{2}\approx -0.693$$
第二步：求方差和期望
在$y=0和x_0$时，对应的期望和方差分别为：
$${\mu }_{00}=\frac{0.3+0.4}{2}=0.35$$
$${\sigma }_{00}^2=\frac{(0.3-0.35{)}^2+(0.4-0.35{)}^2}{2}=0.0025$$
同理，最终可得期望矩阵和方差矩阵
$$\mu =\left[\begin{array}{cc}0.35& 0.55\\ 0.65& 0.8\end{array}\right]$$
$${\sigma }^2=\left[\begin{array}{cc}0.0025& 0.0024\\ 0.0025& 0.01\end{array}\right]$$
第三步：求条件概率
对于x=[0.15,0.25]，当$y=0$时，有：
$$\begin{array}{rl}P(x|y=0)& =-\frac{1}{2}\sum _{i=0}^{n}log2\pi {\sigma }_{0i}^2-\frac{1}{2}\sum _{i=0}^n\frac{(x_i-{\mu }_{0i}{)}^2}{{\sigma }_{0i}^2}\\ & =-\frac{1}{2}[log(2\pi \times 0.0025)+log(2\pi \times 0.0024)]-\frac{1}{2}[\frac{(0.15-0.35{)}^2}{0.0025}+\frac{(0.25-0.55{)}^2}{0.0024}]\\ & \approx -22.576\end{array}$$
同理可得：
$$P(x|y=1)\approx -61.665$$
第四步：求结果
对于x=[0.15,0.25]，当$y=0$时，有：
$$P(y=0|x)=P(y=0)+P(x|y=0)=-0.693-22.576=-23.269$$
对于x=[0.15,0.25]，当$y=1$时，有：
$$P(y=1|x)=P(y=1)+P(x|y=1)=-0.693-61.665=-62.358$$
综上，x属于y=0的概率最大，故x属于y=0这个类别

2 多项式朴素贝叶斯

2.1 二项分布和多项分布

（1）二项分布
​
（2）多项分布
​

2.2 详细原理

（1）原理
多项式朴素贝叶斯处理词袋模型时，则是将每个维度的词频在总词频中的占比来作为条件概率进行建模（一般使用词频法和TF-IDF表示法来配合多项式朴素贝叶斯的使用，这里讲的是词频法，详情见词袋模型）

​多项式朴素贝叶斯中，在一种标签类别$Y=c$下，将条件概率分布的分布参数化为${\theta }_c=({\theta }_{c1},{\theta }_{c2},\cdots ,{\theta }_{cn})$

• n表示训练集中的特征维度
• ${\theta }_{ci}$是类别c下特征i的条件概率$P(x_i|Y=c)$，表示当$Y=c$条件固定时，一组样本在$x_i$特征上的取值被取到的概率

参数通过极大似然估计可得：
$${\theta }_{ci}=\frac{N_{ci}}{N_c}$$

• 其中$N_{ci}$表示在训练集T中样本属于$Y=c$类别下特征为$i$的出现的频次，即$N_{ci}={\sum }_{x\in T}{x}_i$
• ​$N_c$表示在训练集T中样本属于$Y=c$类别下所有特征的总频次，即$N_c=\sum _{i=1}^n{N}_{ci}$。

令α>0来防止训练数据中出现0概率，以避免让参数θ为0的情况，可得如下式子：
​$${\theta }_{ci}=\frac{N_{ci}+\alpha }{N_c+\alpha n}$$

• 将α设置为1，则这个平滑叫做拉普拉斯平滑
• 如果α小于1，则把它叫做利德斯通平滑
• 两种平滑都属于自然语言处理中比较常用的用来平滑分类数据的统计手段

由前言可知，之后进行极大化后验概率，为了防止下溢（结果小于所能表示的最小值的情况），因此取对数，可得：
$$y=argma{x}_{c_k}log(P(Y=c_k)\prod _{j=1}^{n}P(X^{(j)}=x^{(j)}|Y=c_k))$$
由对数性质可知：
$$y=argma{x}_{c_k}[log(P(Y=c_k))+\sum _{j=1}^{n}log(P(X^{(j)}=x^{(j)}|Y=c_k))]$$
条件概率计算的是训练集中特征维度的词频在总词频中的占比，而某个特征（即词语）可能出现多次，因此会出现连乘，在取对数的情况下，变成了加和(例如词语文本aab，特征a出现了两次)，因此需要同时考虑到每个维度的词频：
$$y=argma{x}_{c_k}[log(P(Y=c_k))+\sum _{j=1}^n{f}_{i}log(P(X^{(j)}=x^{(j)}|Y=c_k))]$$

• 其中$f_i$表示特征维度i的词频

（2）例子
下述例子对数都以10为底
例子1
在词袋模型这篇文章中，中，由词频法的例子并假设都在类别Y=c中，可得：

	Beijing	Chinese	Japan	Macao	Shanghai	Tokyo	Y
Chinese Beijing Chinese	1	2	0	0	0	0	c
Chinese Chinese Shanghai	0	2	0	0	1	0	c
Chinese Macao	0	1	0	1	0	0	c
Tokyo Japan Chinese	0	1	1	0	0	1	c

如上表格就是一个特征矩阵，行代表样本，列代表特征维度
仅以BeiJing特征作为例子，取α=1，求条件概率得：
$$\theta =P(BeiJing|Y=c)=\frac{1+1}{11+6}=\frac{2}{17}$$
例子2
对类别和特征进行修改，为了方便，这里不再做平滑处理，如下所示：

	Beijing	Shanghai	Y
Beijing Beijing Beijing Shanghai	3	1	0
Beijing Shanghai Shanghai	1	2	1

现预测x=[25,2]所属的类别，取α=1

第一步：算各个类别的先验概率
$$\begin{gathered} P(Y=0)=log(\frac{1}{2})\approx -0.30 \\ P(Y=1)=log(\frac{1}{2})\approx -0.30 \end{gathered}$$
第二步：算条件概率
在类别Y=0的情况下有：
$$\begin{gathered} P(Beijing|Y=0)=log(\frac{3}{3+1})\approx -0.12 \\ P(Shanghai|Y=0)=log(\frac{1}{3+1})\approx -0.60 \end{gathered}$$
在类别Y=1的情况下有：
$$\begin{gathered} P(Beijing|Y=1)=log(\frac{1}{1+2})\approx -0.48 \\ P(Shanghai|Y=1)=log(\frac{2}{1+2})\approx -0.18 \end{gathered}$$
第三步：求后验概率
$$\begin{gathered} \begin{array}{rl}P(Y=0|x)& =P(Y=0)+25\times P(Beijing|Y=0)+2\times P(Shanghai|Y=0)\\ & =-0.30+25\times -0.12+2\times -0.60\\ & =-4.5\end{array} \\ \begin{array}{rl}P(Y=1|x)& =P(Y=1)+25\times P(Beijing|Y=1)+2\times P(Shanghai|Y=1)\\ & =-0.30+25\times -0.48+2\times -0.18\\ & =-12.66\end{array} \end{gathered}$$
显然在类别为0时概率更大，综上所述，x属于类0

2.3 如何判断是否符合多项式贝叶斯

根据多项分布的概念，以词袋模型为例，在文本分类中有如下假设：

• 不考虑文本中单词之间的次序，即认为这两个文本‘ Love and Peace’和‘ Peace and Love’最后建模出来对应于同一个特征向量。不考虑文本单词之间的次序，会导致文本语义丢失。
• 在类别为Y=c的文本中，每个单词的出现是相互独立。即在类别为Y=c的文本中，每次随机试验为随机从词表中抽取一个单词，进行n次独立重复试验。

第2个假设只有满足了才保证了文本的特征随机向量$X$满足多项式分布，即给定类别Y=c的文本，满足：
$$X\sim MultiNormial(n,{\theta }_{c1},{\theta }_{c2},\cdots ,{\theta }_{cn})$$
即满足了上述要求，可用多项式朴素贝叶斯推导过程里的方法求条件概率

3 伯努利朴素贝叶斯

（1）原理
BernoulliNB实现了按多元伯努利分布的数据的朴素贝叶斯训练和分类算法，即可能有多个特征，但每个特征都被假定为一个二元值(Bernoulli，boole)变量。因此，该类要求样本被表示为二值化的特征向量
伯努利朴素贝叶斯计算$P(x_i|y)$仍然用到多项式朴素贝叶斯的方法：
​$${\theta }_{ci}=\frac{N_{ci}+\alpha }{N_c+\alpha n}$$
但伯努利朴素贝叶斯对条件概率新增处理是：
$$P(x_i|y)=P(i|y)x_i+(1-P(i|y)(1-x_i)$$

• 与多项式朴素贝叶斯的区别是，明确惩罚特征i的不出现，而多项式朴素贝叶斯会忽略未出现的特征

（2）例子

上述原理会觉得很难理解，给定具体例子就很好理解了，使用词袋模型这篇文章中所提到的独热法，得到下述数据：

	Beijing	Shanghai	Y
Beijing Beijing	1	0	0
Shanghai Shanghai	0	1	1
Shanghai Beijing	1	1	2

为了方便，这里不再取对数且不做平滑处理，假设有一文本x为：Beijing，那它应该属于哪个类别？
第一步：算各个类别的先验概率
$$\begin{gathered} P(Y=0)=\frac{1}{3} \\ P(Y=1)=\frac{1}{3} \\ P(Y=2)=\frac{1}{3} \end{gathered}$$
第二步：算条件概率
在类别Y=0的情况下有：
$$\begin{gathered} P(Beijing|Y=0)=\frac{1}{1+0})=1 \\ P(Shanghai|Y=0)=\frac{0}{1+0}=0 \end{gathered}$$
在类别Y=1的情况下有：
$$\begin{gathered} P(Beijing|Y=1)=\frac{0}{1+0}=0 \\ P(Shanghai|Y=1)=\frac{1}{1+0}=1 \end{gathered}$$
在类别Y=2的情况下有：
$$\begin{gathered} P(Beijing|Y=2)=\frac{1}{1+1}=0.5 \\ P(Shanghai|Y=2)=\frac{1}{1+1}=0.5 \end{gathered}$$
第三步：求后验概率
$$\begin{gathered} P(Y=0|x)=P(Y=0)\times P(Beijing|Y=0)\times \text{(1-P(Shanghai|Y=0))}=\frac{1}{3} \\ P(Y=1|x)=P(Y=1)\times P(Beijing|Y=1)\times \text{(1-P(Shanghai|Y=1))}=0 \\ P(Y=2|x)=P(Y=2)\times P(Beijing|Y=2)\times \text{(1-P(Shanghai|Y=2))}=\frac{1}{12} \end{gathered}$$
因此属于类0，上述加粗算式就是伯努利朴素贝叶斯的改进地方。对于某一个文本，若不存在该单词，若某类该单词概率越高，通过上述加粗算式的操作，使得该文本出现在该类的概率越低，这就是惩罚，而多项式朴素贝叶斯没有这种操作。

4 类别贝叶斯

（1）原理
这篇文章：贝叶斯分类器详解中所说的算法实际上就是朴素贝叶斯（可以直接看这篇文章即可），对条件概率的处理是：
$$P(x_i=t|y=c)=\frac{N_{tic}+\alpha }{N_c+\alpha n_i}$$

• $N_{tic}$是样本特征$x_i$中出现类$t$的次数，这些样本属于类别c；$N_c$属于c类的样本数，$n_i$是特征i的可用类别数
• 将α设置为1，则这个平滑叫做拉普拉斯平滑
• 如果α小于1，则把它叫做利德斯通平滑
• 两种平滑都属于自然语言处理中比较常用的用来平滑分类数据的统计手段

（2）例子

对先验概率也做了一定的处理，可以忽略，重在看懂条件概率的处理过程

4 补充朴素贝叶斯

4.1 核心原理

（1）多项式朴素贝叶斯公式改写
前面已经说过，多项式朴素贝叶斯的核心公式是：
​$${\theta }_{ci}=\frac{N_{ci}+\alpha }{N_c+\alpha n}$$
现假设在标签类别下$Y=c$下，结构为(m,n)的特征矩阵如下：
$$X_y=\left[\begin{array}{ccccc}{x}_{11}& x_{12}& x_{13}& \cdots & x_{1n}\\ x_{21}& x_{22}& x_{23}& \cdots & x_{2n}\\ x_{31}& x_{32}& x_{33}& \cdots & x_{3n}\\ & & \cdots & & \\ x_{m1}& x_{m2}& x_{m3}& \cdots & x_{mn}\end{array}\right]$$

• $x_{ji}$表示样本$j$的特征$i$发生的次数，样本数为行，特征为列

根据该特征矩阵，可以对多项式朴素贝叶斯核心公式进行改写，如下：
​$${\theta }_{ci}=\frac{{\sum }_{y_i=c}{x}_{ji}+\alpha }{{\sum }_{i=1}^n{\sum }_{y_i=c}{x}_{ji}+\alpha n}$$
（2）补充朴素贝叶斯原理
其使用来自每个标签类别的补集的概率，并以此来计算每个特征的权重，如下：
​$${\theta }_{i,y\ne c}=\frac{{\alpha }_i+{\sum }_{y_i\ne c}{x}_{ij}}{\alpha +{\sum }_{i,y\ne c}{\sum }_{i=1}^n{x}_{ij}}$$

• $x_{ij}$表示样本$j$上对于特征$i$下的取值，特征为行，样本为列
• ${\sum }_{y_i\ne c}{x}_{ij}$指特征$i$下，所有标签类别不为$c$的样本的特征取值之和
• ${\sum }_{i,y\ne c}{\sum }_{i=1}^n{x}_{ij}$指所有特征下，所有标签类别不为$c$的样本的特征取值之和
• $\alpha ={\sum }_i{\alpha }_i$

从上述公式可以看出：这就是多项式朴素贝叶斯的逆向思路
为了防止下溢，对其取对数，有：
$$w_{ci}=log{\theta }_{i,y\ne c}$$
还可以选择除以它的L2范式，以解决了在多项式分布中，特征取值比较多的样本（比如说比较长的文档）支配参数估计的情况。如下：
$$w_{ci}=\frac{log{\theta }_{i,y\ne c}}{{\sum }_j|log{\theta }_{i,y\ne c}|}$$
例如，样本1在参数估计中权重显然更大：

	样本1	样本2
$x_1$	5	0
$x_2$	1	1

基于$w_{ci}$,对于一个样本$X$，$x_i$是样本$X$的特征，补充朴素贝叶斯的一个样本预测规则为：
$$P(Y\ne c|X)=argmi{n}_c\sum _i{x}_i{w}_{ci}$$

即我们求解出的最小补集概率所对应的标签就是样本的标签，因为$Y\ne c$的概率越小，则$Y=c$概率越大，因此属于类$c$

4.2 算法流程

补充朴素贝叶斯的算法流程
令 X = { x 1 , ⋯   , x n } X=\{x_{1},\cdots,x_{n}\} X={x1​,⋯,xn​}是一组数据集，$x_{ij}$是$j$文本中单词$i$的计数
令 Y = { y 1 , ⋯   , y n } Y=\{y_{1},\cdots,y_{n}\} Y={y1​,⋯,yn​}是该组数据集的标签
输入X和Y：

1. $x_{ij}=log(x_{ij}+1)$
2. $x_{ij}=x_{ij}log\frac{{\sum }_{k}1}{{\sum }_k{\delta }_{ik}}$
3. $x_{ij}=\frac{x_{ij}}{\sqrt{{\sum }_k(x_{kj}{)}^2}}$
4. ​${\theta }_{i,y\ne c}=\frac{{\alpha }_i+{\sum }_{y_i\ne c}{x}_{ij}}{\alpha +{\sum }_{i,y\ne c}{\sum }_{i=1}^n{x}_{ij}}$
5. $w_{ci}=log{\theta }_{i,y\ne c}$
6. $w_{ci}=\frac{w_{ci}}{{\sum }_i{w}_{ci}}$
7. 令 t = { t 1 , ⋯   , t n } t=\{t_{1},\cdots,t_{n}\} t={t1​,⋯,tn​}是测试文本，$t_i$是单词$i$的计数
8. 最后基于预测规则求出所属类别：$l(t)=argmi{n}_c\sum _i{t}_i{w}_{ci}$

这里对一些细节进行说明：

1. $x_{ij}=log(x_{ij}+1)$可以更真实地处理文本，同时具备多项式朴素贝叶斯的优势
2. $x_{ij}=x_{ij}log\frac{{\sum }_{k}1}{{\sum }_k{\delta }_{ik}}$对于${\delta }_{ik}$,若单词$i$出现在文本$k$上，则${\delta }_{ik}=1$，否则为0。这个方法是为了对那些在每篇文档都出现的字进行处理，这些字不太重要，具体可看词袋模型的TF-IDF方法
3. $x_{ij}=\frac{x_{ij}}{\sqrt{{\sum }_k(x_{kj}{)}^2}}$文本中词的相互依赖性很强，一个词首次出现在文本中后，就更有可能再一次出现。由于朴素贝叶斯假定发生独立，冗长的文本会对参数估计产生负面影响。因此标准化文本单词数避免这个问题