8.25 朴素贝叶斯

一、贝叶斯

1.贝叶斯公式
P(C|X) = P(C) · P(X|C) / P(X)
P(C)：先验 Prior，对类别的事前信念。
P(X|C)：似然 Likelihood，在该类别下出现这组特征的概率。
P(C|X)：后验 Posterior，看到特征后类别的新信念。
P(X)：证据 Evidence，仅作归一化，可忽略常数。

2.“朴素”假设
特征之间条件独立：P(x1,x2,…,xn|C)=∏i P(xi|C)。
→ 把高维联合概率拆成一堆一维概率相乘，极大减少需要估计的参数。

3.决策规则
对一个新样本 X=(x1,…,xn)：
ŷ = argmax_C P(C) · ∏i P(xi|C)
实际代码里用 log 化乘法为加法，防止下溢：score(C)=log P(C)+Σi log P(xi|C)。

4.模型训练（即“计数”）
先验：P(C)=类别 C 的样本数 / 总样本数。
似然：P(xi|C)= 类别 C 中特征 xi 出现的次数 / 类别 C 的总特征计数。
P(xi|C)= (count(xi,C)+1) / (count(C)+|V|)，|V| 为特征取值数或词典大小。

5.拼写纠错实例

问题：用户输入 D="tlp"，候选词 h∈{top, tip, tap…}。
计算：h* = argmax_h P(h) · P(D|h)
P(h)：词频先验，可来自大规模语料。
P(D|h)：编辑距离/键盘邻近度生成的“生成模型”概率。

6.垃圾邮件过滤实例
类别：h+（垃圾）、h–（正常）。
特征：邮件中出现的单词 w1,…,wn。
P(h+|D) ∝ P(h+) · ∏i P(wi|h+)
P(h–|D) ∝ P(h–) · ∏i P(wi|h–)
决策：若 P(h+|D)/P(h–|D) > τ 则判为垃圾（τ 可调）。

二、
1. 多项式朴素贝叶斯模型

适用于离散型数据，参数 alpha 为浮点型可选参数，默认为 0.1，用于控制拉普拉斯平滑。
参数“是否考虑先验概率”默认为 true，表示需根据数据集计算词频作为先验概率。
通过网格搜索法可调整超参数，实现模型性能优化。

2. 高斯朴素贝叶斯模型

适用于连续性特征变量，假设特征服从正态分布（呈钟形曲线），在均值附近概率高，远离均值则迅速下降。
优于多项式模型处理连续数据，因其更符合实际数据分布，可显著提升准确率。

3. 伯努利朴素贝叶斯模型

用于处理仅含“有/无”两种取值的二值特征，如文档中是否包含某关键词，要求每个特征为布尔类型（0 或 1），在文本分类中可表示特征是否存在。
参数“是否进行特征二值化”可设定阈值（如大于 0.5），默认为 0，可按需设置；若设为 null，则认为特征已二值化。
与多项式模型不同，伯努利模型强调特征的二值属性，适用于垃圾邮件识别等场景。

4. 模型调用与训练流程

模型调用使用 fit 方法进行训练，X 代表训练集特征，Y 代表训练集标签，训练完成后用于预测
预测时使用测试集特征（X_test）进行推理，输出各分类的概率值，可选择是否对概率取对数（log）以简化计算，通过 score 方法可获取模型评分（如查准率、查全率等），用于评估模型性能。