Naive Bayes

Ενημέρωση 2020-04-08 Ανάγνωση 3 λεπτά

Σύνοψη

Ο Naive Bayes υποθέτει υπό συνθήκη ανεξαρτησία μεταξύ χαρακτηριστικών και συνδυάζει εκ των προτέρων πιθανότητες με πιθανοφάνειες μέσω του κανόνα Bayes.
Η εκπαίδευση και η εξαγωγή συμπερασμάτων είναι εξαιρετικά γρήγορες, καθιστώντας τον ισχυρή βάση αναφοράς για αραιά δεδομένα υψηλών διαστάσεων, όπως κείμενο ή φιλτράρισμα ανεπιθύμητης αλληλογραφίας.
Η εξομάλυνση Laplace και τα χαρακτηριστικά TF-IDF μετριάζουν προβλήματα με άγνωστες λέξεις και ανισορροπία συχνοτήτων.
Όταν η υπόθεση ανεξαρτησίας είναι πολύ ισχυρή, εξετάστε την επιλογή χαρακτηριστικών ή τον συνδυασμό του Naive Bayes με άλλα μοντέλα.

Εισαγωγή #

Αυτή η μέθοδος πρέπει να ερμηνεύεται μέσα από τις υποθέσεις της, τις συνθήκες δεδομένων και τον τρόπο με τον οποίο οι επιλογές παραμέτρων επηρεάζουν τη γενίκευση.

Αναλυτική Επεξήγηση #

Μαθηματική Διατύπωση #

Για την κλάση $y$ και τα χαρακτηριστικά $\mathbf{x} = (x_1, \ldots, x_d)$,

$$ P(y \mid \mathbf{x}) \propto P(y) \prod_{j=1}^{d} P(x_j \mid y). $$

Διαφορετικά μοντέλα πιθανοφάνειας ταιριάζουν σε διαφορετικούς τύπους δεδομένων: το πολυωνυμικό μοντέλο για μετρήσεις λέξεων, το μοντέλο Bernoulli για δυαδική παρουσία/απουσία και ο Gaussian Naive Bayes για συνεχείς τιμές.

Πειράματα σε Python #

Το παρακάτω απόσπασμα κώδικα εκπαιδεύει έναν ταξινομητή Gaussian Naive Bayes σε συνθετικά δεδομένα και οπτικοποιεί τις περιοχές απόφασης. Ακόμα και με χιλιάδες χαρακτηριστικά, το μοντέλο εκπαιδεύεται γρήγορα.

from __future__ import annotations

import japanize_matplotlib
import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import make_classification
from sklearn.metrics import accuracy_score, confusion_matrix
from sklearn.naive_bayes import GaussianNB

def run_naive_bayes_demo(
    n_samples: int = 600,
    n_classes: int = 3,
    random_state: int = 0,
    title: str = "Decision regions of Gaussian Naive Bayes",
    xlabel: str = "feature 1",
    ylabel: str = "feature 2",
) -> dict[str, float]:
    """Train Gaussian Naive Bayes on synthetic data and plot decision regions."""
    japanize_matplotlib.japanize()
    X, y = make_classification(
        n_samples=n_samples,
        n_features=2,
        n_informative=2,
        n_redundant=0,
        n_clusters_per_class=1,
        n_classes=n_classes,
        random_state=random_state,
    )

    clf = GaussianNB()
    clf.fit(X, y)

    accuracy = float(accuracy_score(y, clf.predict(X)))
    conf = confusion_matrix(y, clf.predict(X))

    x_min, x_max = X[:, 0].min() - 1.0, X[:, 0].max() + 1.0
    y_min, y_max = X[:, 1].min() - 1.0, X[:, 1].max() + 1.0
    grid_x, grid_y = np.meshgrid(np.linspace(x_min, x_max, 400), np.linspace(y_min, y_max, 400))
    grid = np.c_[grid_x.ravel(), grid_y.ravel()]
    preds = clf.predict(grid).reshape(grid_x.shape)

    fig, ax = plt.subplots(figsize=(7, 6))
    ax.contourf(grid_x, grid_y, preds, alpha=0.25, cmap="coolwarm", levels=np.arange(-0.5, n_classes + 0.5, 1))
    ax.scatter(X[:, 0], X[:, 1], c=y, cmap="coolwarm", edgecolor="k", s=25)
    ax.set_title(title)
    ax.set_xlabel(xlabel)
    ax.set_ylabel(ylabel)
    fig.tight_layout()
    plt.show()

    return {"accuracy": accuracy, "confusion": conf}

metrics = run_naive_bayes_demo(
    title="Decision regions of Gaussian Naive Bayes",
    xlabel="feature 1",
    ylabel="feature 2",
)
print(f"Training accuracy: {metrics['accuracy']:.3f}")
print("Confusion matrix:")
print(metrics['confusion'])

Αναφορές #

Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press.
Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. MIT Press.