一、概率知識基礎
1.概率
概率就是某件事情發生的可能性。
2.聯合概率
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已經發生的條件下的發生概率，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 / 總文檔數）
P(W|C) = P（‘智能',‘發展'|科技）：在科技文檔這一類文章中，‘智能'與‘發展'這兩個特征詞出現的概率。注意：‘智能'，‘發展'屬于被預測文檔中出現的詞，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的次數
N為所屬類別C下的文檔所有詞出現的次數和
P（‘智能'|科技） = ‘智能'在所有科技類文檔中出現的次數 / 科技類文檔下所有出現的詞次數和
則P(F1,F2...|C) = P(F1|C) * P(F2|C)
P（‘智能'，‘發展'|科技） = P（‘智能'|科技） * P（‘發展'|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
本案例的數據是來自于sklearn中的20newsgroups數據，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，接下來可以直接調用樸素貝葉斯算法，將訓練集數據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.數據獲取
導入數據庫：import sklearn.datasets as dt
導入數據：news = dt.fetch_20newsgroups(subset='all')
3.數據處理
分割使用的方法和knn中的一樣。另外，從sklearn中導入的數據，都可以直接調用 .data獲取數據集，調用.target獲取目標值。
分割數據：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()
訓練集數據特征值提取：x_train = tf.fit_transform(x_train)
測試集數據特征值提取：x_test = tf.transform(x_test)
測試集的特征提取，只需要調用transform，因為要使用訓練集的標準，并且在上一步已經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，不需要調參。訓練集誤差大，結果肯定不好。因為算的方式固定，并且沒有一個超參數可供調整。
樸素貝葉斯的缺點：假設了文檔中一些詞和另外一些詞是獨立的，相互沒聯系。并且是在訓練集中進行的詞統計，會對結果造成干擾，訓練集越好，結果越好，訓練集越差，結果越差。
四、分類模型的評估
1.混淆矩陣
評估標準有數種，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注召回率。
F1分類標準：
根據以上式子，使用精確率召回率，可計算出F1-score，該結果可反應模型的穩健性。
2.評估模型API
sklearn.metricx.classification_report
3.模型選擇與調優
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：
>>將所有數據分成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果。
若分為四等分，則叫做“4折交叉驗證”。
②網格搜索
網格搜索主要是和交叉驗證同時使用，用來調參數。比如K-近鄰算法中有超參數k，需要手動指定，比較復雜，所以需要對模型預設幾種超參數組合，每組超參數都采用交叉驗證來進行評估，最后選出最優的參數組合建立模型。（K-近鄰算法就一個超參數k，談不上組合，但是如果算法有2個或以上超參數，就進行組合，相當于窮舉法）
網格搜索API：sklearn.model_selection.GridSearchCV
五、以knn為例的模型調優使用方法
假設已經將數據以及特征處理好，并且得到了x_train, x_test, y_train, y_test，并且已經將算法實例化：knn = KNeighborsClassifier()
1.對超參數進行構造
因為算法中需要用到的超參數的名字就叫做'n_neighbors'，所以直接按名字指定超參數選擇范圍。若有第二個超參數，在后面添加字典元素即可。
params = {'n_neighbors':[5,10,15,20,25]}
2.進行網格搜索
輸入的參數：算法（估計器），網格參數，指定幾折交叉驗證
gc = GridSearchCV(knn, param_grid=params, cv=5)
基本信息指定好后，就可以把訓練集數據fit進去
gc.fit(x_train, y_train)
3.結果查看
網格搜索算法中，有數種方法可以查看準確率、模型、交叉驗證結果、每一次交叉驗證后的結果。
gc.score(x_test, y_test) 返回準確率
gc.best_score_ 返回最高的準確率
gc.best_estimator_ 返回最好的估計器（返回的時候會自動帶上所選擇的超參數）
以上就是python機器學習樸素貝葉斯及模型的選擇和調優詳解的詳細內容，更多關于樸素貝葉斯及模型的選擇和調優的資料請關注服務器之家其它相關文章！
原文鏈接：https://blog.csdn.net/Swayzzu/article/details/120300591
