朴素贝叶斯是建立在贝叶斯定理上的一种分类模型，贝叶斯定理是条件概率的一种计算方式，公式如下
通过比较不同事件发生的概率，选取概率大的事件作为最终的分类。在朴素贝叶斯中， 为了简化计算，假设各个特征之间相互独立， 这也是为何称之为"朴素"的原因。
以下列数据为例，这是一份统计早上是否出去打高尔夫的样本数据，相关的特征有4个
对于一个新的数据点，4个特征的取值分别为sunny, hot, high, false, 求该样本play golf为yes的概率, 通过贝叶斯定理计算如下
P(yes|sunny, hot, high, false) = P(sunny, hot, high, false|yes) * P(yes) / P(sunny, hot, high, false)
=P(sunny|yes) * P(hot|yes) * P(high|yes) * P(false|yes) * P(play) / (P(sunny) * P(hot) * P(high) * P(false))
此时，只需要利用输入的样本数据来计算各个概率，以sunny相关的概率为例，计算过程如下
根据大数定理，直接用样本中的频数作为概率，简单统计一下，就可以得到各个条件概率。
带入公式就可以算出具体的概率值
# P(yes|sunny, hot, high, false)
>>> (3/9) * (2/9) * (3/9) * (6/9) * (9/14) / ((5/14) * (4/14) * (7/14) * (8/14))
0.36296296296296293
# P(no|sunny, hot, high, false)
>>> (2/5) * (2/5) * (4/5) * (2/5) * (5/14) / ((5/14) * (4/14) * (7/14) * (8/14))
0.6272000000000002
很明显，对于该新的数据点，分为no的概率值更大，所以通过朴素贝叶斯分类就将该数据点划分为no。
在统计概率的过程中，会遇到某个条件组合的频数为0的情况，称之为零概率问题，此时直接带入公式会导致整个概率为零。为了解决这个问题，拉普拉斯提出了一种做法，直接加1，这样在样本量较多的情况下，并不会对结果产生非常大的影响，这种方法称之为拉普拉斯平滑， 具体的做法如下
将所有的计数都加1，然后再来计数对应的概率
对于离散型变量，直接统计频数分布就可以了。对于连续型的变量，为了计算对应的概率，此时又引入了一个假设，假设特征的分布为正态分布，计算样本的均值和方差，然后通过密度函数计算取值时对应的概率
示例如下
从上面的例子可以看出，朴素贝叶斯假设样本特征相互独立，而且连续型的特征分布符合正态分布，这样的假设前提是比较理想化的，所以称之为"朴素"贝叶斯，因为实际数据并不一定会满足这样的要求。
在scikit-learn中，根据数据的先验分布，提供了以下多种朴素贝叶斯的方法
1. GaussianNB, 基于高斯分布的朴素贝叶斯
2. MultinomialNB, 基于多项式分布的朴素贝叶斯
3. BernoulliNB,基于二项分布的朴素贝叶斯
4. CategoricalNB, 基于离散型的朴素贝叶斯
以GaussianNB为例，用法如下
>>> from sklearn.datasets import load_iris
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.naive_bayes import GaussianNB
>>> X, y = load_iris(return_X_y=True)
>>> X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=0)
>>> gnb = GaussianNB()
>>> y_pred = gnb.fit(X_train, y_train).predict(X_test)
朴素贝叶斯算法原理简单，计算高效，分类效果较为稳定，但是由于存在各种先验假设，会导致一定的分类错误率。
·end·
一个只分享干货的
生信公众号
