手写朴素贝叶斯（naive_bayes）分类算法

朴素贝叶斯假设各属性间相互独立，直接从已有样本中计算各种概率，以贝叶斯方程推导出预测样本的分类。

为了处理预测时样本的（类别，属性值）对未在训练样本出现，从而导致概率为0的情况，使用拉普拉斯修正（假设属性值与类别均匀分布）。

代码及注释如下：

一、离散值

1，朴素贝叶斯算法计算相关参数并返回，预测使用这些参数即可

# 手写拉普拉斯修正的朴素贝叶斯
import numpy as np
import pandas as pd
def naive_bayes(data):
    '''data:pandas.DataFrame'''
#     列名
    attrs=data.columns
#     类别
    labels=data[attrs[-1]].unique()
#     类别数
    N=labels.size
#     样本总数
    D=data.index.size
#     c类样本概率
    pc=np.empty(shape=(N,1))
#     c类中，第i个属性取值为xi的概率，这里计算了所有，而非只针对测试样本，保存后predict时直接从里面取值即可
    p_xc=[]
#     包含每个属性的可取值
    features=[data[i].unique() for i in attrs[:-1]]
    for i in range(N):
        df=data[data[attrs[-1]]==labels[i]]
        Dc=df[attrs[0]].count()
        pc[i]=np.array([(Dc+1)/(D+N)])
        p_c=[]
        for j in range(len(features)):
            values=features[j]
            Ni=values.size
            c_attr=[]
            for value in values:
                Dc_xi=df[df[attrs[j]]==value].index.size
                c_attr.append((Dc_xi+1)/(Dc+Ni))
            p_c.append(c_attr)
        p_xc.append(p_c)
    return p_xc,pc,N,features,labels
# 预测一个样本
def predict(x,p_xc,pc,num_class,features,labels):
    result=[]
    for i in range(num_class):
        res=1.
        c=p_xc[i]
        for j in range(len(c)):
            feature_j=c[j]
            for k in range(len(feature_j)):
                if x[j]==features[j][k]:
                    res*=feature_j[k]
        result.append(pc[i][0]*res)
    max_c=0
    max_index=-1
    for i in range(len(result)):
        if result[i]>max_c:
            max_c=result[i]
            max_index=i
    return result,labels[max_index]
# 预测多个样本
def predicts(x,p_xc,pc,num_class,features,labels):
    result=[]
    for data in x:
        _,clazz=predict(data,p_xc,pc,num_class,features,labels)
        result.append(clazz)
    return result

2，使用西瓜集2.0训练及测试

def createDataSet():

    dataSet = [
        #
        ['青绿', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', '好瓜'],
        #
        ['乌黑', '蜷缩', '沉闷', '清晰', '凹陷', '硬滑', '好瓜'],
        #
        ['乌黑', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', '好瓜'],
        #
        ['青绿', '蜷缩', '沉闷', '清晰', '凹陷', '硬滑', '好瓜'],
        #
        ['浅白', '蜷缩', '浊响', '清晰', '凹陷', '硬滑', '好瓜'],
        #
        ['青绿', '稍蜷', '浊响', '清晰', '稍凹', '软粘', '好瓜'],
        #
        ['乌黑', '稍蜷', '浊响', '稍糊', '稍凹', '软粘', '好瓜'],
        #
        ['乌黑', '稍蜷', '浊响', '清晰', '稍凹', '硬滑', '好瓜'],

        # ----------------------------------------------------
        #
        ['乌黑', '稍蜷', '沉闷', '稍糊', '稍凹', '硬滑', '坏瓜'],
        #
        ['青绿', '硬挺', '清脆', '清晰', '平坦', '软粘', '坏瓜'],
        #
        ['浅白', '硬挺', '清脆', '模糊', '平坦', '硬滑', '坏瓜'],
        #
        ['浅白', '蜷缩', '浊响', '模糊', '平坦', '软粘', '坏瓜'],
        #
        ['青绿', '稍蜷', '浊响', '稍糊', '凹陷', '硬滑', '坏瓜'],
        #
        ['浅白', '稍蜷', '沉闷', '稍糊', '凹陷', '硬滑', '坏瓜'],
        #
        ['乌黑', '稍蜷', '浊响', '清晰', '稍凹', '软粘', '坏瓜'],
        #
        ['浅白', '蜷缩', '浊响', '模糊', '平坦', '硬滑', '坏瓜'],
        #
        ['青绿', '蜷缩', '沉闷', '稍糊', '稍凹', '硬滑', '坏瓜']
    ]

    # 特征值列表
    labels = ['色泽', '根蒂', '敲击', '纹理', '脐部', '触感','好坏']
    dataset=pd.DataFrame(data=dataSet,columns=labels)
    return dataset

3，训练及预测

这里预测使用训练数据，可以看到精度却不咋样，个人认为这跟样本太小、使用了修正（修正在大样本下的影响较小）及属性并非相互独立有关

dataset=createDataSet()
p_xc,pc,num_class,features,labels=naive_bayes(dataset)

value=dataset[dataset.columns[:-1]].values
result=predicts(value,p_xc,pc,num_class,features,labels)
real=dataset[dataset.columns[-1]].values
df=pd.DataFrame([[result[i]==real[i] for i in range(len(result))]])
# 精度 0.8235294117647058
df.iloc[0].sum()/df.iloc[0].count()

二、连续值

1，贝叶斯方法

def normal_distribution(mean,var,x):
    return np.power(np.e,-(x-mean)*(x-mean)/(2*var))/np.sqrt(2*np.pi*var)
# 连续值处理，假设数据服从正态分布，如上函数所示
def naive_bayes_2(X_train,y_train):
    '''data:pandas.DataFrame'''
    labels=list(set(y_train))
#     类别数
    num_class=len(labels)
    data=pd.DataFrame(X_train,columns=['l1','l2','l3','l4'])
    data['label']=y_train
    N=len(y_train)
#     均值和方差
    means=[]
    vals=[]
    #     c类样本概率
    pc=np.empty(shape=(num_class,1))
#     对每一类求均值和方差
    for i in range(num_class):
        df=data[data['label']==labels[i]]
        l=df.index.size
        pc[i]=l/N
        mean=[]
        val=[]
#         各属性的均值和方差
        for col in df.columns[:-1]:
            mean.append(df[col].mean())
            val.append(df[col].var())
        means.append(mean)
        vals.append(val)

    return means,vals,pc,labels
# 预测多个样本
def predict_2(x_test,means,vals,pc,labels):
    num_class=len(labels)
    results=[]
    for x in x_test:
        result=[]
        for i in range(num_class):
            res=1.
            res*=pc[i][0]
            j=0
            for mean,val in zip(means[i],vals[i]):
                res*=normal_distribution(mean,val,x[j])
                j+=1
            result.append(res)
        results.append(labels[result.index(max(result))])
    return results

2，使用sklearn中iris数据集

from sklearn.datasets import load_iris
data = load_iris()

x=data['data']
y=data['target']
cols=data['target_names']

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test=train_test_split(x,y,test_size=0.2,random_state=10)

3，训练及测试

means,vals,pc,labels=naive_bayes_2(X_train,y_train)

results=predict_2(X_test,means,vals,pc,labels)

from sklearn.metrics import accuracy_score
# 精度100%
accuracy_score(results,y_test)

三、总结

例举了2个例子，离散值的样本少，使用了修正，精度不咋样，连续值的精度100%，取得不错的效果，也说明各个类别下的各个特征基本符合正态分布。