作者：程Sir
本文由 程SIR说 授权发布，版权所有归作者，转载请联系作者！
我个人认为，在数据挖掘领域，分类算法是最为重要。它根据以往的数据来对新的数据做预测。垃圾邮件判断，潜在用户挖掘等都会用到分类算法。今天把总结朴素贝叶斯算法的学习心得。
#Bayes是谁#
Thomas Bayes，英国数学家。约1701年出生于伦敦，做过神甫。1742年成为英国皇家学会会员。1761年4月7日逝世。贝叶斯在数学方面主要研究概率论。他首先将归纳推理法用于概率论基础理论，并创立了贝叶斯统计理论，对于统计决策函数、统计推断、统计的估算等做出了贡献。
#Bayes定理#
通俗来说就是：
这时，来了第七位患者，一位“打喷嚏的工人”，请推断他得了啥病。
这就是一个分类问题。现状把所有患者分成了三类“感冒”“过敏”“脑震荡”，我们的目的是把“打喷嚏的工人”分到这三类中的一类中。具体做法为：根据Bayes定理，计算这个“打喷嚏的工人”患三种疾病的概率。
解释:
'&'项可以分成两个，是因为“症状”变量和“职业”变量是相互独立的，没什么联系
感冒的有3个，其中打喷嚏的2个，所以P(打喷嚏|感冒)=2/3
感冒的有3个，其中工人1个，所以P(工人|感冒)=1/3
一共六个人，感冒3个，所以P(感冒)=1/2
一共六个人，打喷嚏的3个，所以P(打喷嚏)=1/2
一共六个人，其中工人2个，所以P(工人)=1/3
按照这个方法，计算“打喷嚏的工人”另外两种疾病的概率;
可见，“打喷嚏的工人”患感冒概率66.7%，初步判断应该是感冒。但是一般的分类器都要根据具体业务设置阈值，对于人命关天的事，最好严格一些，比如95%以上才做出判断，那么这里最好的答案应该是“机器无法判断，建议去让医生看看”。
#补充说明#
算法叫做朴素贝叶斯(NaiveBayes)，是因为算法是在太简单了
‘&’能分开两个概率相乘是因为变量的独立性，如果不独立的话，这样计算会有误差
分母项 P(打喷嚏)× P(工人)在每次计算中都一样，可以只互相比较分子计算的结果作出判断
例子中最初的6个病人的数据叫做训练集
#训练集样本较小情况下的概率调整#
P(打喷嚏|过敏)和P(工人|过敏)分别为1，0，实际中不可能是这样的，因为没有什么是一定不发生，也没有什么100%发生。出现这种情况是因为我们的样本太少，如果样本足够多，概率会相对靠谱。
在起步阶段，样本就是很少，为了避免0，1这种极端概率，需要人为做一些数学变换。比如，对过敏来说，每个症状的初始概率都为50%，当来了一个过敏病人，如果出现打喷嚏，那么P(打喷嚏|过敏)的概率就提升一点点，反之如果不打喷嚏，则P(打喷嚏|过敏)的概率就下降一点点。这样使得每一个概率都变得在(0，1)之间平滑变化，对其他的变量也这样处理。在《Programming Collective Intelligence》这本书中给出了这个变换的公式，我套用到过敏来说就是：
所以，在上例中计算第二种疾病的时候，如果用调整后的概率结果如下：
#连续变量处理#
对于上例来说，不论是职业还是症状，都是离散变量，也就是取值数有限，这样都可以通过数个数的方式来计算概率(古典概率模型)，但是如果出现连续型变量就不能靠数个数了，比如身高，可以有175cm 176cm 176.1cm 176.11cm，无穷尽……
处理方式一：离散化
身高来说，可以就精确到cm，那么基于现实世界从40cm(婴儿)到230cm(姚明)基本就够用了，可以数个数。要么就分段【小于100cm】【100-150cm】【150-180cm】……这样也可以。
处理方式二：利用变量的分布来计算概率
一般来说自然界中的大部分变量都是符合正态分布的，正态分布是一个钟型曲线，概率意义是，一次实验取到均值附近概率最大，去到远离均值的值的概率越来越小。那么可以计算样本的均值和标准差，利用Z值【(实际值-均值)/标准差】，查标准正态分布表，查出取到每个样本值的概率。
当然，如果明确知道变量属于某个其他分布，如泊松分布，那么就直接用分布函数求概率即可。
#数学表达以备装B之需#
朴素贝叶斯分类的正式定义如下：
文章来源36大数据，www.36dsj.com ，微信号dashuju36 ，36大数据是一个专注大数据创业、大数据技术与分析、大数据商业与应用的网站。分享大数据的干货教程和大数据应用案例，提供大数据分析工具和资料下载，解决大数据产业链上的创业、技术、分析、商业、应用等问题，为大数据产业链上的公司和数据行业从业人员提供支持与服务。
End.
,
