判别模型、生成模型与朴素贝叶斯方法

1判别模型与生成模型

上篇报告中提到的回归模型是判别模型,也就是根据特征值来求结果的概率。形式化表示为判别模型、生成模型与朴素贝叶斯方法,在参数判别模型、生成模型与朴素贝叶斯方法确定的情况下,求解条件概率判别模型、生成模型与朴素贝叶斯方法。通俗的解释为在给定特征后预测结果出现的概率。

比如说要确定一只羊是山羊还是绵羊,用判别模型的方法是先从历史数据中学习到模型,然后通过提取这只羊的特征来预测出这只羊是山羊的概率,是绵羊的概率。换一种思路,我们可以根据山羊的特征首先学习出一个山羊模型,然后根据绵羊的特征学习出一个绵羊模型。然后从这只羊中提取特征,放到山羊模型中看概率是多少,再放到绵羊模型中看概率是多少,哪个大就是哪个。形式化表示为求判别模型、生成模型与朴素贝叶斯方法(也包括判别模型、生成模型与朴素贝叶斯方法,y是模型结果,x是特征。

利用贝叶斯公式发现两个模型的统一性:

判别模型、生成模型与朴素贝叶斯方法

由于我们关注的是y的离散值结果中哪个概率大(比如山羊概率和绵羊概率哪个大),而并不是关心具体的概率,因此上式改写为:

判别模型、生成模型与朴素贝叶斯方法

其中判别模型、生成模型与朴素贝叶斯方法称为后验概率,判别模型、生成模型与朴素贝叶斯方法称为先验概率。

判别模型、生成模型与朴素贝叶斯方法,因此有时称判别模型求的是条件概率,生成模型求的是联合概率。

常见的判别模型有线性回归、对数回归、线性判别分析、支持向量机、boosting、条件随机场、神经网络等。

常见的生产模型有隐马尔科夫模型、朴素贝叶斯模型、高斯混合模型、LDA、Restricted Boltzmann Machine等。

这篇博客较为详细地介绍了两个模型:

http://blog.sciencenet.cn/home.php?mod=space&uid=248173&do=blog&id=227964

2高斯判别分析(Gaussian discriminant analysis)

1) 多值正态分布

多变量正态分布描述的是n维随机变量的分布情况,这里的判别模型、生成模型与朴素贝叶斯方法变成了向量,判别模型、生成模型与朴素贝叶斯方法也变成了矩阵判别模型、生成模型与朴素贝叶斯方法。写作判别模型、生成模型与朴素贝叶斯方法。假设有n个随机变量X1,X2,…,Xn。判别模型、生成模型与朴素贝叶斯方法的第i个分量是E(Xi),而判别模型、生成模型与朴素贝叶斯方法

概率密度函数如下:

判别模型、生成模型与朴素贝叶斯方法

其中|判别模型、生成模型与朴素贝叶斯方法判别模型、生成模型与朴素贝叶斯方法的行列式,判别模型、生成模型与朴素贝叶斯方法是协方差矩阵,而且是对称半正定的。

判别模型、生成模型与朴素贝叶斯方法是二维的时候可以如下图表示:

判别模型、生成模型与朴素贝叶斯方法

其中判别模型、生成模型与朴素贝叶斯方法决定中心位置,判别模型、生成模型与朴素贝叶斯方法决定投影椭圆的朝向和大小。

如下图:

判别模型、生成模型与朴素贝叶斯方法

对应的判别模型、生成模型与朴素贝叶斯方法都不同。

2) 模型分析与应用

如果输入特征x是连续型随机变量,那么可以使用高斯判别分析模型来确定p(x|y)。

模型如下:

判别模型、生成模型与朴素贝叶斯方法

输出结果服从伯努利分布,在给定模型下特征符合多值高斯分布。通俗地讲,在山羊模型下,它的胡须长度,角大小,毛长度等连续型变量符合高斯分布,他们组成的特征向量符合多值高斯分布。

这样,可以给出概率密度函数:

判别模型、生成模型与朴素贝叶斯方法

最大似然估计如下:

判别模型、生成模型与朴素贝叶斯方法

注意这里的参数有两个判别模型、生成模型与朴素贝叶斯方法,表示在不同的结果模型下,特征均值不同,但我们假设协方差相同。反映在图上就是不同模型中心位置不同,但形状相同。这样就可以用直线来进行分隔判别。

求导后,得到参数估计公式:

判别模型、生成模型与朴素贝叶斯方法

判别模型、生成模型与朴素贝叶斯方法是训练样本中结果y=1占有的比例。

判别模型、生成模型与朴素贝叶斯方法是y=0的样本中特征均值。

判别模型、生成模型与朴素贝叶斯方法是y=1的样本中特征均值。

判别模型、生成模型与朴素贝叶斯方法是样本特征方差均值。

如前面所述,在图上表示为:

判别模型、生成模型与朴素贝叶斯方法

直线两边的y值不同,但协方差矩阵相同,因此形状相同。判别模型、生成模型与朴素贝叶斯方法不同,因此位置不同。

3) 高斯判别分析(GDA)与logistic回归的关系

将GDA用条件概率方式来表述的话,如下:

判别模型、生成模型与朴素贝叶斯方法

y是x的函数,其中判别模型、生成模型与朴素贝叶斯方法都是参数。

进一步推导出

判别模型、生成模型与朴素贝叶斯方法

这里的判别模型、生成模型与朴素贝叶斯方法判别模型、生成模型与朴素贝叶斯方法的函数。

这个形式就是logistic回归的形式。

也就是说如果p(x|y)符合多元高斯分布,那么p(y|x)符合logistic回归模型。反之,不成立。为什么反过来不成立呢?因为GDA有着更强的假设条件和约束。

如果认定训练数据满足多元高斯分布,那么GDA能够在训练集上是最好的模型。然而,我们往往事先不知道训练数据满足什么样的分布,不能做很强的假设。Logistic回归的条件假设要弱于GDA,因此更多的时候采用logistic回归的方法。

例如,训练数据满足泊松分布,判别模型、生成模型与朴素贝叶斯方法

判别模型、生成模型与朴素贝叶斯方法,那么p(y|x)也是logistic回归的。这个时候如果采用GDA,那么效果会比较差,因为训练数据特征的分布不是多元高斯分布,而是泊松分布。

这也是logistic回归用的更多的原因。

3朴素贝叶斯模型

在GDA中,我们要求特征向量x是连续实数向量。如果x是离散值的话,可以考虑采用朴素贝叶斯的分类方法。

假如要分类垃圾邮件和正常邮件。分类邮件是文本分类的一种应用。

假设采用最简单的特征描述方法,首先找一部英语词典,将里面的单词全部列出来。然后将每封邮件表示成一个向量,向量中每一维都是字典中的一个词的0/1值,1表示该词在邮件中出现,0表示未出现。

比如一封邮件中出现了“a”和“buy”,没有出现“aardvark”、“aardwolf”和“zygmurgy”,那么可以形式化表示为:

判别模型、生成模型与朴素贝叶斯方法

假设字典中总共有5000个词,那么x是5000维的。这时候如果要建立多项式分布模型(二项分布的扩展)。

多项式分布(multinomial distribution)

某随机实验如果有k个可能结局A1,A2,…,Ak,它们的概率分布分别是p1,p2,…,pk,那么在N次采样的总结果中,A1出现n1次,A2出现n2次,…,Ak出现nk次的这种事件的出现概率P有下面公式:(Xi代表出现ni次)

判别模型、生成模型与朴素贝叶斯方法

对应到上面的问题上来,把每封邮件当做一次随机试验,那么结果的可能性有判别模型、生成模型与朴素贝叶斯方法种。意味着pi有判别模型、生成模型与朴素贝叶斯方法个,参数太多,不可能用来建模。

换种思路,我们要求的是p(y|x),根据生成模型定义我们可以求p(x|y)和p(y)。假设x中的特征是条件独立的。这个称作朴素贝叶斯假设。如果一封邮件是垃圾邮件(y=1),且这封邮件出现词“buy”与这封邮件是否出现“price”无关,那么“buy”和“price”之间是条件独立的。

形式化表示为,(如果给定Z的情况下,X和Y条件独立):

判别模型、生成模型与朴素贝叶斯方法

也可以表示为:

判别模型、生成模型与朴素贝叶斯方法

回到问题中

判别模型、生成模型与朴素贝叶斯方法

这个与NLP中的n元语法模型有点类似,这里相当于unigram。

这里我们发现朴素贝叶斯假设是约束性很强的假设,“buy”从通常上讲与“price”是有关系,我们这里假设的是条件独立。(注意条件独立和独立是不一样的)

建立形式化的模型表示:

判别模型、生成模型与朴素贝叶斯方法

判别模型、生成模型与朴素贝叶斯方法

判别模型、生成模型与朴素贝叶斯方法

那么我们想要的是模型在训练数据上概率积能够最大,即最大似然估计如下:

判别模型、生成模型与朴素贝叶斯方法

注意这里是联合概率分布积最大,说明朴素贝叶斯是生成模型。

求解得:

判别模型、生成模型与朴素贝叶斯方法

最后一个式子是表示y=1的样本数占全部样本数的比例,前两个表示在y=1或0的样本中,特征Xj=1的比例。

然而我们要求的是

判别模型、生成模型与朴素贝叶斯方法

实际是求出分子即可,分母对y=1和y=0都一样。

当然,朴素贝叶斯方法可以扩展到x和y都有多个离散值的情况。对于特征是连续值的情况,我们也可以采用分段的方法来将连续值转化为离散值。具体怎么转化能够最优,我们可以采用信息增益的度量方法来确定(参见Mitchell的《机器学习》决策树那一章)。

比如房子大小可以如下划分成离散值:

判别模型、生成模型与朴素贝叶斯方法

4拉普拉斯平滑

朴素贝叶斯方法有个致命的缺点就是对数据稀疏问题过于敏感。

比如前面提到的邮件分类,现在新来了一封邮件,邮件标题是“NIPS call for papers”。我们使用更大的网络词典(词的数目由5000变为35000)来分类,假设NIPS这个词在字典中的位置是35000。然而NIPS这个词没有在训练数据中出现过,这封邮件第一次出现了NIPS。那我们算概率的时候如下:

判别模型、生成模型与朴素贝叶斯方法

由于NIPS在以前的不管是垃圾邮件还是正常邮件都没出现过,那么结果只能是0了。

显然最终的条件概率也是0。

判别模型、生成模型与朴素贝叶斯方法

原因就是我们的特征概率条件独立,使用的是相乘的方式来得到结果。

为了解决这个问题,我们打算给未出现特征值,赋予一个“小”的值而不是0。

具体平滑方法如下:

假设离散型随机变量z有{1,2,…,k}个值,我们用判别模型、生成模型与朴素贝叶斯方法来表示每个值的概率。假设有m个训练样本中,z的观察值是判别模型、生成模型与朴素贝叶斯方法其中每一个观察值对应k个值中的一个。那么根据原来的估计方法可以得到

判别模型、生成模型与朴素贝叶斯方法

说白了就是z=j出现的比例。

拉普拉斯平滑法将每个k值出现次数事先都加1,通俗讲就是假设他们都出现过一次。

那么修改后的表达式为:

判别模型、生成模型与朴素贝叶斯方法

每个z=j的分子都加1,分母加k。可见判别模型、生成模型与朴素贝叶斯方法

这个有点像NLP里面的加一平滑法,当然还有n多平滑法了,这里不再详述。

Technorati 标签: Machine Learning

回到邮件分类的问题,修改后的公式为:

判别模型、生成模型与朴素贝叶斯方法

5文本分类的事件模型

回想一下我们刚刚使用的用于文本分类的朴素贝叶斯模型,这个模型称作多值伯努利事件模型(multi-variate Bernoulli event model)。在这个模型中,我们首先随机选定了邮件的类型(垃圾或者普通邮件,也就是p(y)),然后一个人翻阅词典,从第一个词到最后一个词,随机决定一个词是否要在邮件中出现,出现标示为1,否则标示为0。然后将出现的词组成一封邮件。决定一个词是否出现依照概率p(xi|y)。那么这封邮件的概率可以标示为判别模型、生成模型与朴素贝叶斯方法

让我们换一个思路,这次我们不先从词典入手,而是选择从邮件入手。让i表示邮件中的第i个词,xi表示这个词在字典中的位置,那么xi取值范围为{1,2,…|V|},|V|是字典中词的数目。这样一封邮件可以表示成判别模型、生成模型与朴素贝叶斯方法,n可以变化,因为每封邮件的词的个数不同。然后我们对于每个xi随机从|V|个值中取一个,这样就形成了一封邮件。这相当于重复投掷|V|面的骰子,将观察值记录下来就形成了一封邮件。当然每个面的概率服从p(xi|y),而且每次试验条件独立。这样我们得到的邮件概率是判别模型、生成模型与朴素贝叶斯方法。居然跟上面的一样,那么不同点在哪呢?注意第一个的n是字典中的全部的词,下面这个n是邮件中的词个数。上面xi表示一个词是否出现,只有0和1两个值,两者概率和为1。下面的xi表示|V|中的一个值,|V|个p(xi|y)相加和为1。是多值二项分布模型。上面的x向量都是0/1值,下面的x的向量都是字典中的位置。

形式化表示为:

m个训练样本表示为:判别模型、生成模型与朴素贝叶斯方法

判别模型、生成模型与朴素贝叶斯方法判别模型、生成模型与朴素贝叶斯方法

表示第i个样本中,共有ni个词,每个词在字典中的编号为判别模型、生成模型与朴素贝叶斯方法

那么我们仍然按照朴素贝叶斯的方法求得最大似然估计概率为

判别模型、生成模型与朴素贝叶斯方法

解得,

判别模型、生成模型与朴素贝叶斯方法

与以前的式子相比,分母多了个ni,分子由0/1变成了k。

举个例子:

X1

X2

X3

Y

1

2

-

1

2

1

-

0

1

3

2

0

3

3

3

1

假如邮件中只有a,b,c这三词,他们在词典的位置分别是1,2,3,前两封邮件都只有2个词,后两封有3个词。

Y=1是垃圾邮件。

那么,

判别模型、生成模型与朴素贝叶斯方法

判别模型、生成模型与朴素贝叶斯方法

判别模型、生成模型与朴素贝叶斯方法

假如新来一封邮件为b,c那么特征表示为{2,3}。

那么

判别模型、生成模型与朴素贝叶斯方法

判别模型、生成模型与朴素贝叶斯方法

那么该邮件是垃圾邮件概率是0.6。

注意这个公式与朴素贝叶斯的不同在于这里针对整体样本求的判别模型、生成模型与朴素贝叶斯方法,而朴素贝叶斯里面针对每个特征求的判别模型、生成模型与朴素贝叶斯方法,而且这里的特征值维度是参差不齐的。

这里如果假如拉普拉斯平滑,得到公式为:

判别模型、生成模型与朴素贝叶斯方法

表示每个k值至少发生过一次。

另外朴素贝叶斯虽然有时候不是最好的分类方法,但它简单有效,而且速度快。

判别模型、生成模型与朴素贝叶斯方法

上一篇:00031-layui 树形下拉选择 xmSelect(一):树数据一次加载


下一篇:3-29 使用自动化运维工具Ansible集中化管理服务器