贝叶斯分类器的交叉验证python 贝叶斯分类器描述

1、线性分类器（Linear Regression）

     1.1贝叶斯分类器

          朴素贝叶斯（Naive Bayes）分类器，以垃圾邮件分类为例子，需要特征之间满足条件独立的假设；

      局限性：

      （1）要求自变量和因变量之间满足线性关系；

      （2）朴素贝叶斯要求特征之间满足条件独立，不能学习特征之间的相互作用。

          满足条件以后，根据最大后验概率（MAP）准则：max_θ P(y|x)=P(x|y)*P(y)/P(x) <=> maximizing Π_i=1^mp(x(i),y(i))，计算出三个参数：Ø_i|y=1 =p(x_i=1|y=1)，Ø_i|y=0 =p(x_i=1|y=0)，Ø_y =p(y=1).

有了这些参数以后，对新的一个特征为x的样本进行预测，只要简单计算：p(y=1|x) = p(x|y=1)*p(y=1)/p(x) = (Π_i=1ⁿ p(x_i|y=1))*p(y=1)/[(Π_i=1ⁿ p(x_i|y=1))*p(y=1)+(Π_i=1ⁿ p(x_i|y=0))*p(y=0)].

      1.2  Logistic Regression分类器

      Logistic Regression Cost Function:   min_θ 1/m ∑_i=1^m [ y⁽ⁱ⁾*cost₁(θ^Tx⁽ⁱ⁾)+(1-y⁽ⁱ⁾)*cost₀(θ^Tx⁽ⁱ⁾) ]  +λ /(2m)  *∑ⁿ_j=1 θ²_j          （    cost₁(θ^Tx⁽ⁱ⁾)=-log h_θ(x⁽ⁱ⁾),  cost₀(θ^Tx⁽ⁱ⁾)=-log(1-h_θ(x⁽ⁱ⁾))      ）

                                            h_θ(x⁽ⁱ⁾)=1/(1+e^-θTx(i))=g(z)

成本函数的第一项，损失项，是为了使得模型预测的误差最小，而第二项规则化项则是为了使得模型尽可能简单。

      从logistic回归的成本函数表达式可以看出，第二项作为regularization items（惩罚项），其中的θ对成本函数的作用与第一项中θ的作用是相反的，添加了惩罚项后，由参数λ调节控制，前后两项相互制约，使得θ既不能过大也不能过小，最终平衡到一个合适的值，使得训练集和测试集效果接近。但是从logistic的假设函数h_θ来看，如果数据不是线性可分，则效果还是不好的。

      局限性：

      （1）自变量对疾病的影响是独立的，但实际情况及推导结果不同；

      （2）训练集的样例数目要有200例以上才可不考虑参数估计的偏性；

      （3）logistic分类器说到底是线性分类器，如果数据不是线性可分的，还是不能用logistic回归

2、  SVM classifier

      SVM分类器既可以作为线性分类器，也可以作为非线性分类器，这主要取决于它的核函数。

      如果不使用kernel（saying:'linear kernel'），则它是一个线性分类器；如果使用其他的核函数（e.g. Gaussian kernel），则是一个非线性分类器，具有非线性判决边界。

      更具体地说，核函数的作用，是在输入样本线性不可分的情况下，通过函数映射将输入样本映射到另外一个高维空间并使其线性可分。

     SVM作为线性分类器主要用在特征数目n很大，样本数据m很小的情况。因为如果你的训练样本很少，再采用复杂的分类函数，就会很容易出现过拟合。SVM作为非线性分类器主要用在特征数目很少，样本数目非常多的情况。因为如果你有非常多的训练样本，就可以采用非线性判决边界，去获得更加准确的分类效果。

      Logistic Regression Cost Function:   min_θ 1/m ∑_i=1^m [ y⁽ⁱ⁾*cost₁(θ^Tx⁽ⁱ⁾)+(1-y⁽ⁱ⁾)*cost₀(θ^Tx⁽ⁱ⁾) ]  +λ /(2m)  *∑ⁿ_j=1 θ²_j          （    cost₁(θ^Tx⁽ⁱ⁾)=-log h_θ(x⁽ⁱ⁾),  cost₀(θ^Tx⁽ⁱ⁾)=-log(1-h_θ(x⁽ⁱ⁾))      ）

      SVM Cost Function:                           min_θ    C*{ ∑_i=1^m [ y⁽ⁱ⁾*cost₁(θ^Tf⁽ⁱ⁾)+(1-y⁽ⁱ⁾)*cost₀(θ^Tf⁽ⁱ⁾) ]  +  1/2 *∑ⁿ_j=1 θ²_j     }          （    cost₁(θ^Tf⁽ⁱ⁾)=-log h_θ(x⁽ⁱ⁾),  cost₀(θ^Tf⁽ⁱ⁾)=-log(1-h_θ(x⁽ⁱ⁾))      ）

      对比logistic回归和SVM的成本函数，发现它们在形式上是一样的，不同之处其实仅仅在于假设函数h_θ。logistic回归的判断依据是θ^Tx⁽ⁱ⁾>>0, y=1;θ^Tx⁽ⁱ⁾<<0, y=0;即其分类依据是要让成本函数整个的要尽可能小；而SVM分类器判别依据是：θ^Tx⁽ⁱ⁾>=1, y=1;θ^Tx⁽ⁱ⁾<=-1, y=0;即只要判为1的点和判为0的点都距离boundary有1的单位间隔就好了，所以SVM分类器又叫做“最大间隔分类器”。

      而SVM不同于logistic的假设函数h_θ，成就了它非线性分类的优势。

      在上面的成本函数中，第二项体现了SVM被称为“large margin classifier”(最大间隔分类器)的原理（根据计算内积的原理推导，约束条件是假设函数成立（即y=1时，θ^Tx⁽ⁱ⁾>=1,此时cost₁=0；y=0时，θ^Tx⁽ⁱ⁾<=-1，此时cost₀=0），此时第一项为0，只剩第二项。实际上还是取决于假设函数h_θ(x⁽ⁱ⁾)）；第一项中的假设函数h_θ(x⁽ⁱ⁾)，以及核函数X--->f的映射，决定了SVM non-linear classifier的性质；第一项中的常数C，相当于logistic回归 regularization项中的参数λ，起到调节参数个数（即特征个数），防止过拟合的作用。

      局限性：

      （1）由于SVM的核函数本质上的作用还是为了生成新的特征，因此，对于特征数目远远大于样本数目的数据来说，先进行特征筛选是非常有必要的，否则，会很容易出现过拟合；

      （2）核函数的选择需要依靠经验；

3、线性分类器与非线性分类器的区别

（1）线性分类器：

对于线性可分数据，用一条直线可以完成分类：

 

对于线性不可分的数据，线性分类器的最优方法是使平方误差最小：

（2）非线性分类器：

对于非线性分类，则要经过一些特殊的变换，将样本转换成线性可分的形式，这期间可能用到非线性核函数，或者非线性分类器；又或者人工知道如何进行转换的话，先将样本映射到线性可分的空间中，再使用线性分类器：

如上图所示，因为非线性分类器能够生成非常复杂的分类界面，因此它们常常有更准确的分类结果。不过前提是样本数目足够多，以不至于造成过拟合。

非线性分类器有决策树、神经网络等。

4、决策树分类

    决策树分类器的优点：

    首先，决策树方法能够生成可以理解的规则；

    其次，决策树算法的计算量相对来说不是很大；

    第三，决策树算法可以处理连续和离散数据；

    第四，决策树可以清晰地显示出属性的重要程度。决策树是通过计算信息熵选择分裂属性的，而信息熵正是该属性重要性的度量标量。

   

1）ID3算法:使用信息增益（衡量属性对样例的区分能力）来选择哪个属性作为分类的测试节点。

            基本思想：

• 自顶向下的贪婪搜索遍历可能的决策树空间构造决策树(此方法是ID3算法和C4.5算法的基础)；
• 从“哪一个属性将在树的根节点被测试”开始；
• 使用统计测试来确定每一个实例属性单独分类训练样例的能力，分类能力最好的属性作为树的根结点测试(如何定义或者评判一个属性是分类能力最好的呢？ID3算法使用的是信息增益，or 信息增益率)。
• 然后为根结点属性的每个可能值产生一个分支，并把训练样例排列到适当的分支（也就是说，样例的该属性值对应的分支）之下。
• 重复这个过程，用每个分支结点关联的训练样例来选取在该点被测试的最佳属性。

     这形成了对合格决策树的贪婪搜索，也就是算法从不回溯重新考虑以前的选择。

2）C4.5算法

C4.5算法是ID3的一种改进算法，其相比于ID3有以下优点：

1. 用信息增益率来选择属性。ID3选择属性用的是子树的信息增益，这里可以用很多方法来定义信息，ID3使用的是熵(entropy，熵是一种不纯度度量准则),也就是熵的变化值，而C4.5用的是信息增益率。对，区别就在于一个是信息增益，一个是信息增益率。
2. 在树构造过程中进行剪枝，在构造决策树的时候，那些挂着几个元素的节点，不考虑最好，不然容易导致overfitting。
3. 对非离散数据也能处理。
4. 能够对不完整数据进行处理

点评：

     

• form Wind：决策树使用于特征取值离散的情况，连续的特征一般也要处理成离散的(而很多文章没有表达出决策树的关键特征or概念)。实际应用中，决策树overfitting比较的严重，一般要做boosting（Boosting是一种提高任意给定学习算法准确度的方法。）。分类器的性能上不去，很主要的原因在于特征的鉴别性不足，而不是分类器的好坏，好的特征才有好的分类效果，分类器只是弱相关。
• 那如何提高 特征的鉴别性呢？一是设计特征时尽量引入domain knowledge，二是对提取出来的特征做选择、变换和再学习，这一点是机器学习算法不管的部分(我说的这些不是针对决策树的，因此不能说是决策树的特点，只是一些机器学习算法在应用过程中的经验体会)。