《贝叶斯推断及其互联网应用》由会员分享,可在线阅读,更多相关《贝叶斯推断及其互联网应用(9页珍藏版)》请在金锄头文库上搜索。
1、贝叶斯推断及其互联网应用(一)作者:阮一峰日期:2011年8月25日二年前的这个时候,我正在翻译Paul Graham的黑客与画家。那本书大部分谈的是技术哲学,但是第八章却写了一个非常具体的技术问题一如何使用贝 叶斯推断过滤垃圾邮件(英文版)?说实话,我没完全看懂那一章。那时,交稿截止日期已经过了,没时间留给我去啃概率论教 科书了。我只好硬着头皮,按照字面意思把它译了出来。虽然交稿了,译文质量也还可以, 但是心里很不舒服,下决心一定要搞懂它。一年过去了,我读了一些概率论文献,逐渐发现贝叶斯推断并没有想象的那么难。相反的, 它的原理部分实际上很容易理解,甚至不需要用到高等数学。下面就是我的学习笔
2、记。需要声明的是,我并不是这方面的专家,数学其实是我的弱项。所 以,欢迎大家提出宝贵意见,让我们共同学习和提高。贝叶斯推断及其互联网应用作者:阮一峰一、什么是贝叶斯推断贝叶斯推断(Bayesian inferenc )是一种统计学方法,用来估计统计量的某种性质。 它是贝叶斯定理(3ayes theorem)的应用。英国数学家托马斯贝叶斯Thomas Bayes) 在1763年发表的一篇论文中,首先提出了这个定理。贝叶斯推断与其他统计学推断方法截然不同。它建立在主观判断的基础上,也就是说,你可 以不需要客观证据,先估计一个值,然后根据推断结果不断修正。正是因为它的主观性太强, 曾经遭到许多统计学
3、家的诟病。贝叶斯推断需要大量的计算,因此历史上很长一段时间,无法得到广泛应用。只有等到计算 机诞生以后,它才获得真正的重视。人们发现,许多统计量是无法事先进行客观判断的,而互联网时代出现的大型数据集,再加上高速运算能力,为验证这些统计量提供了方便,也为 应用贝叶斯推断创造了条件,它的威力正在日益显现。二、贝叶斯定理要理解贝叶斯推断,就必须先理解贝叶斯定理。后者实际上就是计算条件概率的公式。所谓条件概率(Conditional probability),就是指在事件B发生的情况下,事件A发生 的概率,用P(A|B)来表示。根据文氏图,可以很清楚地看到在事件B发生的情况下,事件A发生的概率就是P(
4、AHB)除以 P。因此,P(AnB) = P(A|B)F(B)同理可得,P(AB)P(BA)P(A)所以,P(AB)P(B) = P(B | A)P(A)这就是条件概率的计算公式。三、全概率公式由于后面要用到,所以除了条件概率以外,这里还要推导全概率公式。 假定样本空间S,是两个事件A与A的和。上图中,红色部分是事件A,绿色部分是事件A,它们共同构成了样本空间S。 在这种情况下,事件B可以划分成两个部分。即= P(B n A)+P(B nAz)在上一节的推导当中,我们已知所以,P(B) = P(BA)P(A)+P(B|d)P(A这就是全概率公式。它的含义是,如果A和A构成样本空间的一个划分,那
5、么事件B的概率, 就等于A和A的概率分别乘以B的条件概率之和。将这个公式代入上一节的条件概率公式,就得到了条件概率的另一种写法:P(BA)P(A)P(B | A)P(A)+ P(B | Af)P(Af)四、贝叶斯推断的含义 对条件概率公式进行变形,可以得到如下形式:PAB) = P(A)-我们把P(A)称为先验概率(Prior probability),即在B事件发生之前,我们对A事件概 率的一个判断。P(A|B)称为后验概率(Posterior probability),即在B事件发生之后,我们对A事件概率的重新评估P(B|A)/P(B)称为可能性函数(Likelyhood),这是一个调 整
6、因子,使得预估概率更接近真实概率。所以,条件概率可以理解成下面的式子:Posterior probability Prior probability x Likelihood这就是贝叶斯推断的含义。我们先预估一个先验概率,然后加入实验结果,看这个实验到 底是增强还是削弱了先验概率,由此得到更接近事实的后验概率。在这里,如果可能性函数,P(B|A)/P(B)1,意味着先验概率被增强,事件A的发生的可能 性变大;如果可能性函数=1,意味着B事件无助于判断事件A的可能性;如果可能性函数 1,意味着先验概率被削弱,事件A的可能性变小。五、【例子】水果糖问题301020201#2#1为了加深对贝叶斯推断
7、的理解,我们看两个例子。第一个例子。两个一模一样的碗,一号碗有30颗水果糖和10颗巧克力糖,二号碗有水果糖 和巧克力糖各20颗。现在随机选择一个碗,从中摸出一颗糖,发现是水果糖。请问这颗水果 糖来自一号碗的概率有多大?我们假定,H1表示一号碗,H2表示二号碗。由于这两个碗是一样的,所以P(H1)=P(H2),也 就是说,在取出水果糖之前,这两个碗被选中的概率相同。因此P(H1)=0.5,我们把这个概 率就叫做先验概率,即没有做实验之前,来自一号碗的概率是15。再假定,E表示水果糖,所以问题就变成了在已知E的情况下,来自一号碗的概率有多大,即 求P(H1|E)。我们把这个概率叫做后验概率,即在E
8、事件发生之后,对P(H 1)的修正。根据条件概率公式,得到松冋)P(E)已知,P(H 1)等于0.5, P(E|H 1)为一号碗中取出水果糖的概率,等于0.75,那么求出P(E)就 可以得到答案。根据全概率公式,P(E) = P(E | 旳P(E | H2)P(H2)所以,P(E) = 0.75 x0.5 + 0.5x 0.5 = 0.625将数字代入原方程,得到刊砂 E) = 0.5x 牆= 0.6这表明,来自一号碗的概率是0.6。也就是说,取出水果糖之后,H1事件的可能性得到了增 强。六、【例子】假阳性问题第二个例子是一个医学的常见问题,与现实生活关系紧密。PAB) = PA)F(A|B)
9、 = 0,001xa 0.019已知某种疾病的发病率是0.001,即1000人中会有1个人得病。现有一种试剂可以检验患者 是否得病,它的准确率是0.99,即在患者确实得病的情况下,它有99%的可能呈现阳性。它 的误报率是5%,即在患者没有得病的情况下,它有5%的可能呈现阳性。现有一个病人的检验 结果为阳性,请问他确实得病的可能性有多大?假定A事件表示得病,那么P(A)为0.001。这就是先验概率,即没有做试验之前,我们预 计的发病率。再假定B事件表示阳性,那么要计算的就是P(A|B)。这就是后验概率,即做 了试验以后,对发病率的估计。根据条件概率公式,P(A旧罟护用全概率公式改写分母,P(B
10、| A)P(A)+ P(B | A)P(A)将数字代入,0.990.99x0.001 + 0.05x0.999我们得到了一个惊人的结果,P(A|B)约等于0.019。也就是说,即使检验呈现阳性,病人得病 的概率,也只是从0.1%增加到了 2%左右。这就是所谓的假阳性,即阳性结果完全不足以说 明病人得病。为什么会这样?为什么这种检验的准确率高达)9%,但是可信度却不到2%?答案是与它的误 报率太高有关。(【习题】如果误报率从5%降为1%,请问病人得病的概率会变成多少?) 有兴趣的朋友,还可以算一下假阴性问题,即检验结果为阴性,但是病人确实得病的概率 有多大。然后问自己,假阳性和假阴性,哪一个才是
11、医学检验的主要风险? 关于贝叶斯推断的原理部分,今天就讲到这里。下一次,将介绍如何使用贝叶斯推断过滤垃 作者:阮一峰七、什么是贝叶斯过滤器?垃圾邮件是一种令人头痛的顽症,困扰着所有的互联网用户。正确识别垃圾邮件的技术难度非常大。传统的垃圾邮件过滤方法,主要有关键词法和校验 码法等。前者的过滤依据是特定的词语;后者则是计算邮件文本的校验码,再与已知的垃圾 邮件进行对比。它们的识别效果都不理想,而且很容易规避。2002年,Paul Graham提出使用贝叶斯推断过滤垃圾邮件。他说,这样做的效果,好得不 可思议。1000封垃圾邮件可以过滤掉995封,且没有一个误判。另外,这种过滤器还具有自我学习的功
12、能,会根据新收到的邮件,不断调整。收到的垃圾邮 件越多,它的准确率就越高。八、建立历史资料库贝叶斯过滤器是一种统计学过滤器,建立在已有的统计结果之上。所以,我们必须预先提供 两组已经识别好的邮件,一组是正常邮件,另一组是垃圾邮件。我们用这两组邮件,对过滤器进行训练。这两组邮件的规模越大,训练效果就越好oPaul Graham使用的邮件规模,是正常邮件和垃圾邮件各4000封。训练过程很简单。首先,解析所有邮件,提取每一个词。然后,计算每个词语在正常邮件 和垃圾邮件中的出现频率。比如,我们假定sex这个词,在4000封垃圾邮件中,有200 封 包含这个词,那么它的出现频率就是5%;而在4000封正
13、常邮件中,只有2封包含这个词,那 么出现频率就是0.05%。(【注释】如果某个词只出现在垃圾邮件中,Paul Graham就假定, 它在正常邮件的出现频率是1%,反之亦然。随着邮件数量的增加,计算结果会自动调整。) 有了这个初步的统计结果,过滤器就可以投入使用了。九、贝叶斯过滤器的使用过程现在,我们收到了一封新邮件。在未经统计分析之前,我们假定它是垃圾邮件的概率为0%o(【注释】有研究表明,用户收到的电子邮件中,80%是垃圾邮件。但是,这里仍然假定垃圾 邮件的先验概率为50%o)我们用S表示垃圾邮件(spam),H表示正常邮件(heal thy)。因此,P(S )和P(H )的先验概 率,都是
14、50%oP(S) = P(H) = 50%然后,对这封邮件进行解析,发现其中包含了sex这个词,请问这封邮件属于垃圾邮件的概 率有多咼?我们用W表示sex这个词,那么问题就变成了如何计算P(S|W)的值,即在某个词语(W)已 经存在的条件下,垃圾邮件(S)的概率有多大。根据条件概率公式,马上可以写出P(WS)P(S)PQ P(WS)P(S)+P(IVH)P(H)公式中,P(W|S)和P(W|H)的含义是,这个词语在垃圾邮件和正常邮件中,分别出现的概率。 这两个值可以从历史资料库中得到,对Sex这个词来说,上文假定它们分别等于5%和0.05%。 另外,P(S )和P(H)的值,前面说过都等于50
15、%。所以,马上可以计算P(S|W)的值:5%x50%步,P(SI甲)二幕鳥;一F7 二 99( % 175%x50%+0.05%x5(J%因此,这封新邮件是垃圾邮件的概率等于99%。这说明,sex这个词的推断能力很强,将50% 的先验概率一下子提高到了99%的后验概率。十、联合概率的计算 做完上面一步,请问我们能否得出结论,这封新邮件就是垃圾邮件? 回答是不能。因为一封邮件包含很多词语,一些词语(比如ex)说这是垃圾邮件,另一些说 这不是。你怎么知道以哪个词为准?Paul Graham的做法是,选出这封信中P(S|W)最高的15个词,计算它们的联合概率。(【注 释】如果有的词是第一次出现,无法计算P(S|W),Paul Graham就假定这个值等于0.4。因为 垃圾邮件用的往往都是某些固定的词语,所以如果你从来没见过某个词,它多半是一个正常 的词。)所谓联合概率,就是指在多个事件发生的情况下,另一个事件发生概率有多大。比如,已知 W1和W2是两个不同的词语,它们都出现在某封电子邮件之中,