朴素贝叶斯分类及应用

贝叶斯学习

贝叶斯公式

贝叶斯学习器事实上是从经典的贝叶斯概率公式的来的，对于经典的贝叶斯公式：

P(A|B)=P(B|A)P(A)P(B)

式中P(A)表示A的先验概率（即A发生的概率与B无关），P(A|B)表示A的后验概率（即在已知B发生的情况下，A发生的概率）

朴素贝叶斯分类

我们都知道贝叶斯是一个经典的求取概率的公式。那么贝叶斯又是怎么和分类相联系起来的呢？

实际上。在分类的过程中，我们要推断某样本x是否属于某类别A时。能够将这件事看成是个概率问题，即推断x属于A的可能性有多大。如果类别有n种，则仅仅需求取x分别属于每一个样本的概率有多大，概率值最大的。就可以觉得是x的所属类别。

朴素贝叶斯分类的正式定义例如以下：
1. 设x={a1,a2,...,am}为一个带分类项，当中每一个a的为x的一个特征属性.
2. 有类别集合

$C={y1,y2,...yn}

$。

1. 计算P(y1|x)。P(y2|x)，…，P(yn|x)。

2. 如果P(yk|x)=max{(y1|x),P(y2|x),...,P(yn|x)}
   则x∈yk

如今从定义能够看出每步并不难理解。关键时第三步中的每一个概率值怎么求取。对于单个变量，求取其概率值比較好求，可是这里的x时一个含有m个属性的变量。这样的情况下。该怎么求取其属于某类别yn的概率是多少呢？

以下给出求解推导：
已知我们要求取P(yi|x)的概率值，依据贝叶斯公式能够将其转换为例如以下形式：

P(yi|x)=P(x|yi)P(yi)P(x)

所以求取P(yi|x)就变成了求P(x|yi)P(yi)P(x)。

对于P(x|yi)。由于x含有m个属性变量。因此能够将其写成P({a1,a2,...,am}|yi)。

对于大多数情况。x的各个属性之间都是相互独立，所以有：

P(x|yi)P(yi)=P(a1|yi)P(a2|yi)...P(am|yi)P(yi)=P(yi)∏j=1mP(aj|yi)

因此：

P(yi|x)=P(yi)∏mj=1P(aj|yi)P(x)

至此。便得到了P(yi|x)的概率值求解表达式，只是这里的P(X)的值不知道为多少。可是，依据贝叶斯分类的思想，我们仅仅要找到概率最大的一项即就可以，对于不同的类别yi，P(yi|x)终于的求解表达式中都含有P(X)，因此仅仅要求解。使P(yi)∏mj=1P(aj|yi)最大就可以。

朴素贝叶斯分类应用实例（目标跟踪）

对于目标跟踪，眼下用的比較多的方法都是在待跟踪目标区域周围获取候选窗体。然后推断这些候选窗体是否是目标。

在推断的过程中，往往採都是计算候选窗体属于时目标的概率值，值越大，则其时目标的可能性就越大。

这样的思想和朴素贝叶斯分类的思想很类似。

以下以压缩感知跟踪为例。

在感知压缩跟踪。作者将贝叶斯当成了一个在线学习的分类器，此分类器在分为分类和更新參数两个部分。

在分类阶段（第t帧）

首先在目标框（t-1帧确定的位置）周围一定范围内选取m个候选框。

对候选框提取特征。得到特征向量v⃗ =(v1,v2,...,vn)每一个向量都含有n个属性值。现要求v⃗ 是后选框的概率值。依据朴素贝叶斯可知：

P(y=1|v⃗ )=P(y=1)∏ni=1P(vj|y=1)P(v⃗ )

可是要是单纯的求取这个式子并不好求。由于我们并不知道式子中P(v⃗ )的概率值。
只是，注意到既然不能求解P(v⃗ )，那能否够将这一项消去？

因此将求取P(y=1|v⃗ )转化为求取P(y=1|v⃗ )P(y=0|v⃗ )。

P(y=1|v⃗ )P(y=0|v⃗ )=P(y=1)∏ni=1P(vj|y=1)P(y=0)∏ni=1P(vj|y=0)

对上式左右两边同取log（为了方便计算。将累乘变为累加）

H(v)=∑i=1nlogP(y=1)P(vi|y=1)P(y=0)P(vi|y=0)

这里假定先验概率P(y=1)=P(y=0),y代表样本标签。

则可得：

H(v)=∑i=1nlogP(vi|y=1)P(vi|y=0)

当中：

P(vi|y=1)∼N(μ1i,σ1i)

P(vi|y=0)∼N(μ0i,σ0i)

在參数更新阶段（第t帧）

在分类阶段时，已经确定了第t帧中目标所在的位置，接下来来便更新学习机的參数。

，会在目标框周围一定范围α内获取m个候选框（α代表到目标框中心位置的距离），将其定为正样本。然后在范围(α,β)内获取n个负样本框（m≈n）。

得到正负样本后，便開始跟新分类器的參数，更新方式例如以下：

μ1i←λμ1i+(1−λ)μ1

σ1i←λ(σ1i)2+(1−λ)(σ1)2+λ(1−λ)(μ1i−μ1)2−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−√

式子中的λ时学习參数。

实践代码

这是分类代码

void CompressiveTracker::radioClassifier(vector<float>& _muPos, vector<float>& _sigmaPos, vector<float>& _muNeg, vector<float>& _sigmaNeg,
                                         Mat& _sampleFeatureValue, float& _radioMax, int& _radioMaxIndex)
{
    float sumRadio;
    _radioMax = -FLT_MAX;
    _radioMaxIndex = 0;
    float pPos;
    float pNeg;
    int sampleBoxNum = _sampleFeatureValue.cols;

    for (int j=0; j<sampleBoxNum; j++)
    {
        sumRadio = 0.0f;
        for (int i=0; i<featureNum; i++)
        {
            pPos = exp( (_sampleFeatureValue.at<float>(i,j)-_muPos[i])*(_sampleFeatureValue.at<float>(i,j)-_muPos[i]) / -(2.0f*_sigmaPos[i]*_sigmaPos[i]+1e-30) ) / (_sigmaPos[i]+1e-30);
            pNeg = exp( (_sampleFeatureValue.at<float>(i,j)-_muNeg[i])*(_sampleFeatureValue.at<float>(i,j)-_muNeg[i]) / -(2.0f*_sigmaNeg[i]*_sigmaNeg[i]+1e-30) ) / (_sigmaNeg[i]+1e-30);
            sumRadio += log(pPos+1e-30) - log(pNeg+1e-30);  // equation 4
        }
        if (_radioMax < sumRadio)
        {
            _radioMax = sumRadio;
            _radioMaxIndex = j;
        }
    }
}

这是參数跟新代码

void CompressiveTracker::classifierUpdate(Mat& _sampleFeatureValue, vector<float>& _mu, vector<float>& _sigma, float _learnRate)
{
    Scalar muTemp;
    Scalar sigmaTemp;

    for (int i=0; i<featureNum; i++)
    {
        meanStdDev(_sampleFeatureValue.row(i), muTemp, sigmaTemp);

        _sigma[i] = (float)sqrt( _learnRate*_sigma[i]*_sigma[i] + (1.0f-_learnRate)*sigmaTemp.val[0]*sigmaTemp.val[0] 
        + _learnRate*(1.0f-_learnRate)*(_mu[i]-muTemp.val[0])*(_mu[i]-muTemp.val[0]));  // equation 6 in paper

        _mu[i] = _mu[i]*_learnRate + (1.0f-_learnRate)*muTemp.val[0];   // equation 6 in paper
    }
}