admin 前言
朴素的威尼斯算法仍然是流行的十大挖掘算法之一，它是监督学习算法，解决了客户流失与否、投资价值与否、信用等级等多种分类问题。
该算法的优点在于简单易懂、学习效率高、在某些领域的分类问题中能够与决策树、神经网络相媲美。但由于该算法以自变量之间的独立（条件特征独立）性和连续变量的正态性假设为前提，就会导致算法精度在某种程度上受影响。接下来我们就详细介绍该算法的知识点及实际应用。朴素贝叶斯的思想
思想很简单，就是根据某些个先验概率计算Y变量属于某个类别的后验概率，请看下图细细道来：
假如，上表中的信息反映的是某P2P企业判断其客户是否会流失(churn)，而影响到该变量的因素包含年龄、性别、收入、教育水平、消费频次、支持。那根据这样一个信息，我该如何理解朴素贝叶斯的思想呢？再来看一下朴素贝叶斯公式：
从公式中可知，如果要计算X条件下Y发生的概率，只需要计算出后面等式的三个部分，X事件的概率（P(X)），是X的先验概率、Y属于某类的概率（P(Y)），是Y的先验概率、以及已知Y的某个分类下，事件X的概率（P(X|Y)），是后验概率。从上表中，是可以计算这三种概率值的。即：
P(x)指在所有客户集中，某位22岁的本科女性客户，其月收入为7800元，在12次消费中合计支出4000元的概率；
P(Y)指流失与不流失在所有客户集中的比例；
P(X|Y)指在已知流失的情况下，一位22岁的本科女性客户，其月收入为7800元，在12次消费中合计支出4000元的概率。
如果要确定某个样本归属于哪一类，则需要计算出归属不同类的概率，再从中挑选出最大的概率。
我们把上面的贝叶斯公式写出这样，也许你能更好的理解：
而这个公式告诉我们，需要计算最大的后验概率，只需要计算出分子的最大值即可，而不同水平的概率P(C)非常容易获得，故难点就在于P(X|C)的概率计算。而问题的解决，正是聪明之处，即贝叶斯假设变量X间是条件独立的，故而P(X|C)的概率就可以计算为：
也许，这个公式你不明白，我们举个例子（上表的数据）说明就很容易懂了。
对于离散情况：
假设已知某个客户流失的情况下，其性别为女，教育水平为本科的概率：
上式结果中的分母4为数据集中流失有4条观测，分子2分别是流失的前提下，女性2名，本科2名。
假设已知某个客户未流失的情况下，其性别为女，教育水平为本科的概率
上式结果中的分母3为数据集中未流失的观测数，分子2分别是未流失的前提下，女性2名，本科2名。
从而P(C|X)公式中的分子结果为：
对于连续变量的情况就稍微复杂一点，并非计算频率这么简单，而是假设该连续变量服从正态分布（即使很多数据并不满足这个条件），先来看一下正态分布的密度函数：
要计算连续变量中某个数值的概率，只需要已知该变量的均值和标准差，再将该数值带入到上面的公式即可。
有关朴素贝叶斯分类器的理论部分就讲解到这里，希望读者能够理解，如果您还有不明白的地方可以给我留言。接下来我们就看一下，在R语言中，是如何实现朴素贝叶斯算法的落地的。
R语言函数简介
R语言中的klaR包就提供了朴素贝叶斯算法实现的函数NaiveBayes，我们来看一下该函数的用法及参数含义：
NaiveBayes(formula, data, ..., subset, na.action= na.pass)
NaiveBayes(x, grouping, prior, usekernel= FALSE, fL = 0, ...)
formula指定参与模型计算的变量，以公式形式给出，类似于y=x1+x2+x3；
data用于指定需要分析的数据对象；
na.action指定缺失值的处理方法，默认情况下不将缺失值纳入模型计算，也不会发生报错信息，当设为“na.omit”时则会删除含有缺失值的样本；
x指定需要处理的数据，可以是数据框形式，也可以是矩阵形式；
grouping为每个观测样本指定所属类别；
prior可为各个类别指定先验概率，默认情况下用各个类别的样本比例作为先验概率；
usekernel指定密度估计的方法（在无法判断数据的分布时，采用密度密度估计方法），默认情况下使用正态分布密度估计，设为TRUE时，则使用核密度估计方法；
fL指定是否进行拉普拉斯修正，默认情况下不对数据进行修正，当数据量较小时，可以设置该参数为1，即进行拉普拉斯修正。
R语言实战
本次实战内容的数据来自于UCI机器学习网站，后文会给出数据集合源代码的链接。
# 下载并加载所需的应用包if(!suppressWarnings(require('caret'))){ in('caret') require('caret')}if(!suppressWarnings(require('klaR'))){ in('klaR') require('klaR')}if(!suppressWarnings(require('pROC'))){ in('pROC') require('pROC')}# 读取蘑菇数据集mydata <- read.csv(file = ())# 简单的了解一下数据str(mydata)summary(mydata)
该数据集中包含了8124个样本和22个变量（如蘑菇的颜色、形状、光滑度等）。
# 抽样，并将总体分为训练集和测试集(12)index <- sample(1:nrow(mydata), size = 0.75*nrow(mydata))train <- mydata[index,]test <- mydata[-index,]# 大致查看抽样与总体之间是否吻合(table(mydata$type))(table(train$type))(table(test$type))
原始数据中毒蘑菇与非毒蘑菇之间的比较比较接近，通过抽选训练集和测试集，发现比重与总体比例大致一样，故可认为抽样的结果能够反映总体状况，可进一步进行建模和测试。
由于影响蘑菇是否有毒的变量有21个，可以先试着做一下特征选择，这里我们就采用随机森林方法（借助caret包实现特征选择的工作）进行重要变量的选择：
#构建rfe函数的控制参数(使用随机森林函数和10重交叉验证抽样方法，并抽取5组样本)rfeControls_rf <- rfeControl( functions = rfFuncs, method = 'cv', repeats = 5)#使用rfe函数进行特征选择 fs_nb <- rfe(x = train[,-1], y = train[,1], sizes = seq(4,21,2), rfeControl = rfeControls_rf)fs_nbplot(fs_nb, type = c('g','o'))fs_nb$optVariables
结果显示，21个变量中，只需要选择6个变量即可，下图也可以说明这一点：
所需要选择的变量是：
接下来，我们就针对这6个变量，使用朴素贝叶斯算法进行建模和预测：
# 使用klaR包中的NaiveBayes函数构建朴素贝叶斯算法vars <- c('type',fs_nb$optVariables)fit <- NaiveBayes(type ~ ., data = train[,vars])# 预测pred <- predict(fit, newdata = test[,vars][,-1])# 构建混淆矩阵freq <- table(pred$class, test[,1])freq# 模型的准确率accuracy <- sum(diag(freq))/sum(freq)accuracy
# 模型的AUC值modelroc <- roc(test[,1]), as.integer(factor(pred$class)))# 绘制ROC曲线plot(modelroc, = TRUE, auc.polygon = TRUE, grid = c), grid.col = c('green','red'), max.auc.polygon = TRUE, auc. = 'steelblue')
通过朴素贝叶斯模型，在测试集中，模型的准确率约为97%，而且AUC的值也非常高，一般超过0.8就说明模型比较理想了。
End.
作者：刘顺祥（中国统计网特邀认证作者）
本文为头条号作者原创。未经允许，不得转载。
运行人员：中国统计网小编（微信号：itongjilove）
中国统计网，是国内最早的大数据学习网站，公众号：中国统计网