郭 慧

(山西大學(xué)商務(wù)學(xué)院信息學(xué)院，山西 太原 030031)

0 引言

預(yù)測任務(wù)是數(shù)據(jù)挖掘的任務(wù)之一，它可以通過屬性的值，預(yù)測特定屬性的值。分類屬于預(yù)測任務(wù)，通過訓(xùn)練集的學(xué)習(xí)，得到一個目標(biāo)函數(shù)(模型)f，把每個屬性值x通過該函數(shù)映射到離散的目標(biāo)屬性y上。貝葉斯算法是一種基于統(tǒng)計的分類算法[1,2]。在對小樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)時，貝葉斯算法表現(xiàn)出良好的分類能力。為了對抗有的樣本中沒有數(shù)據(jù)的問題，引入了平滑的概念，實(shí)現(xiàn)了更為有效的分類[3]。

1 相關(guān)原理

針對分類問題，旨在實(shí)現(xiàn)從訓(xùn)練數(shù)據(jù)D={(x1,y1),(x2,y2),…,(xN,yN)}中得出訓(xùn)練目標(biāo)P(Y=ck|X=x)，給定x，求出x屬于ck類別的概率[4]。根據(jù)概率論的相關(guān)知識，我們可以將該概率轉(zhuǎn)換為聯(lián)合概率與邊緣概率的商。具體的求解過程如下：

(1)

上述推導(dǎo)中，假設(shè)每一個樣本中的特征之間在給定類別下，是相互條件獨(dú)立的，也就是：

P(X=x|Y=ck)=

P((X(1)=x(1)，…，X(N)=x(N))|Y=ck)=

P(X(1)=x(1)|Y=ck)，…，P(X(N)=x(N)|Y=ck)=

則式(1)等價于

貝葉斯分類器采用argmax函數(shù)進(jìn)行分類，具體如下：

(2)

類別ck在訓(xùn)練數(shù)據(jù)的統(tǒng)計取得最大值時，自變量x的值，可以采用極大似然估計求出，具體如下：

在實(shí)際數(shù)據(jù)中，有的樣本為空。這種情況可采用平滑方法對抗有的樣本中沒有數(shù)據(jù)，具體如下：

(3)

(4)

2 計算過程

以具體實(shí)例說明貝葉斯方法的計算過程。

訓(xùn)練樣本如表1所示[5]。

表1 訓(xùn)練樣本

其中，每一列代表的含義如下：

Day：第幾天，Outlook：天氣，Temperature：溫度，Humidity：潮濕度，Wind：風(fēng)力，PlayTennis：是否打網(wǎng)球。

給定新的樣本數(shù)據(jù)Outlook=sunny，Temperature=cool，Humidity=high，Wind=strong，問PlayTennis的情況。

設(shè)λ=1，根據(jù)式(3)和式(4)分別進(jìn)行計算。

P(yes)=(8+1)/(12+2)=9/14

P(no)=(4+1)/(12+2)=5/14

P(outlook=sunny|yes)=(2+1)/(8+3)=3/11

P(outlook=sunny|no)=(3+1)/(4+3)=4/7

P(temperature=cool|yes)=(3+1)/(8+3)=4/11

P(temperature=cool|no)=(1+1)/(4+3)=2/7

P(humidity=high|yes)=(3+1)/(8+2)=4/10

P(humidity=high|no)=(3+1)/(4+2)=4/6

P(wind=strong|yes)=(3+1)/(8+2)=4/10

P(wind=strong|no)=(2+1)/(4+2)=3/6

根據(jù)式(2)，計算在不同分類下，P(Y=ck)∏jP(X(j)=x(j)|Y=ck)的值。

P(yes)P(sunny|yes)P(cool|yes)P(high|yes)P(strong|yes)=(9/14)*(3/11)*(4/11)*(4/10)*(4/10)=0.0102

(5)

P(no)P(sunny|no)P(cool|no)P(high|no)P(strong|no)=(5/14)*(4/7)*(2/7)*(4/6)*(3/6)=0.019 4

(6)

因?yàn)槭?6)>(5)，所以，給定新樣本的預(yù)測結(jié)果PlayTennis=No。

3 實(shí)現(xiàn)

為了進(jìn)一步驗(yàn)證貝葉斯分類算法的效果，把該算法應(yīng)用到UCI數(shù)據(jù)集iris上，采用MATLAB R2017b實(shí)現(xiàn)。

2/3的數(shù)據(jù)作為訓(xùn)練集，1/3的數(shù)據(jù)作為測試集。主要算法如下：

步驟1：計算訓(xùn)練集中每一類的概率。如：第一種分類的概率

pClass1 = size(rows1,1) / size(training_set,1)

步驟2：計算屬性在該分類下的概率。如：在第一種分類下第j個屬性的概率 pAttributeClass(j,1)

=1/(sqrt(2*pi)*stdValue1(j))* exp(-(attribute(j)-meanValue1(j))^2/ (2*stdValue1(j)^2));

步驟3：比較樣本屬性的分類概率。如：若第i個測試樣本屬性概率乘積最大，也就是if (max([pXC1*pClass1, pXC2*pClass2, pXC3*pClass3]) == pXC1*pClass1) ，則測試樣本分類為1，test_set(i,5) = 1。

最終，貝葉斯分類算法在iris測試集上的準(zhǔn)確率為：0.979167。

4 小結(jié)

分析了貝葉斯分類算法的原理以及實(shí)現(xiàn)過程，運(yùn)用貝葉斯分類算法在iris數(shù)據(jù)集上進(jìn)行分類測試，準(zhǔn)確率高，在測試集的48個樣本中，正確的有47個。說明貝葉斯分類算法對于小樣本數(shù)據(jù)有好的分類效果。

[1] 蔡永泉,王玉棟.以特征關(guān)聯(lián)項改進(jìn)貝葉斯分類器正確率[J].計算機(jī)應(yīng)用與軟件,2017,34(8):286-290.

[2] Dong W Y, Zhou M C. Gaussian Classifier-based Evolutionary Strategy for Multimodal[J].Optimization. IEEE Transactions on Neural Networks & Learning Systems,2014,25(6):1200-1216.

[3] 王雙成,杜瑞杰,劉穎.連續(xù)屬性完全貝葉斯分類器的學(xué)習(xí)與優(yōu)化[J].計算機(jī)學(xué)報,2012,35(10):2129-2137.

[4] M.Julia Flores,Jose A. Gamez,Ana M.Martinez. Domains of Competence of the Semi-naive Bayesian Network Classifiers[G]. Information Sciences,2014:120-148.

[5] 李春貴,聶永紅.基于面向?qū)ο蠓椒ǖ腎D3算法的設(shè)計與實(shí)現(xiàn)[J].廣西工學(xué)院學(xué)報,2004(3):1-5.