()判别模型、生成模型与朴素贝叶斯方法-大数据文档资料.docx

判别模型、生成模型与朴素贝叶斯方法

JerryLead

csxulijie@

2011年3月5日星期六

1判别模型与生成模型

上篇报告中提到的回归模型是判别模型，也就是根据特征值来求结果的概率。形式化表示为p(y|x;θ)，在参数θ确定的情况下，求解条件概率p(y|x)。通俗的解释为在给定特征后预测结果出现的概率。

比如说要确定一只羊是山羊还是绵羊，用判别模型的方法是先从历史数据中学习到模型，然后通过提取这只羊的特征来预测出这只羊是山羊的概率，是绵羊的概率。换一种思路，我们可以根据山羊的特征首先学习出一个山羊模型，然后根据绵羊的特征学习出一个绵羊模型。然后从这只羊中提取特征，放到山羊模型中看概率是多少，再放到绵羊模型中看概率是多少，哪个大就是哪个。形式化表示为求p(x|y)（也包括p(y)），y是模型结果，x是特征。

利用贝叶斯公式发现两个模型的统一性：

由于我们关注的是y的离散值结果中哪个概率大（比如山羊概率和绵羊概率哪个大），而并不是关心具体的概率，因此上式改写为：

其中p(x|y)称为后验概率，p(y)称为先验概率。

由p(x|y)?p(y)=p(x,y)，因此有时称判别模型求的是条件概率，生成模型求的是联合概率。

常见的判别模型有线性回归、对数回归、线性判别分析、支持向量机、boosting、条件随机场、神经网络等。

常见的生产模型有隐马尔科夫模型、朴素贝叶斯模型、高斯混合模型、LDA、RestrictedBoltzmannMachine等。

这篇博客较为详细地介绍了两个模型：

/home.php?mod=spaceuid=248173do=blogid=227964

2高斯判别分析（Gaussiandiscriminantanalysis）

1）多值正态分布

多变量正态分布描述的是n维随机变量的分布情况，这里的μ变成了向量，σ也变成了矩阵Σ。写作N(μ,Σ)。假设有n个随机变量x1,x2,…,xn。μ的第i个分量是E(Xi)，而Σii=Var(xi)，Σij=Cov(xi,xj)。

概率密度函数如下：

其中|Σ|是Σ的行列式，Σ是协方差矩阵，而且是对称半正定的。当μ是二维的时候可以如下图表示：

其中μ决定中心位置，Σ决定投影椭圆的朝向和大小。如下图：

对应的Σ都不同。

2）模型分析与应用

如果输入特征x是连续型随机变量，那么可以使用高斯判别分析模型来确定p(x|y)。模型如下：

输出结果服从伯努利分布，在给定模型下特征符合多值高斯分布。通俗地讲，在山羊模型下，它的胡须长度，角大小，毛长度等连续型变量符合高斯分布，他们组成的特征向量符合多值高斯分布。

这样，可以给出概率密度函数：

最大似然估计如下：

注意这里的参数有两个μ,表示在不同的结果模型下，特征均值不同，但我们假设协方差相同。反映在图上就是不同模型中心位置不同，但形状相同。这样就可以用直线来进行分隔判别。

求导后，得到参数估计公式：

Φ是训练样本中结果y=1占有的比例。μ0是y=0的样本中特征均值。

μ1是y=1的样本中特征均值。Σ是样本特征方差均值。

如前面所述，在图上表示为：

直线两边的y值不同，但协方差矩阵相同，因此形状相同。μ不同，因此位置不同。

3）高斯判别分析（GDA）与logistic回归的关系将GDA用条件概率方式来表述的话，如下：

y是x的函数，其中

都是参数。

进一步推导出

这里的θ是的函数。

这个形式就是logistic回归的形式。

也就是说如果p(x|y)符合多元高斯分布，那么p(y|x)符合logistic回归模型。反之，不成立。为什么反过来不成立呢？因为GDA有着更强的假设条件和约束。

如果认定训练数据满足多元高斯分布，那么GDA能够在训练集上是最好的模型。然而，我们往往事先不知道训练数据满足什么样的分布，不能做很强的假设。Logistic回归的条件假设要弱于GDA，因此更多的时候采用logistic回归的方法。

例如，训练数据满足泊松分布，

ly=1~poisson(\1)，那么p(y|x)也是logistic回归的。这个时候

如果采用GDA，那么效果会比较差，因为训练数据特征的分布不是多元高斯分布，而是泊松分布。

这也是logistic回归用的更多的原因。

3朴素贝叶斯模型

在GDA中，我们要求特征向量x是连续实数向量。如果x是离散值的话，可以考虑采用朴素贝叶斯的分类方法。

假如要分类垃圾邮件和正常邮件。分类邮件是文本分类的一种应用。

假设采用最简单的特征描述方法，