基于机器学习的分类预测

分类任务

分类问题主要是分为三种类型：

• 二元标签类问题：目标中有两个类别的问题。
• 多元分类问题：目标多于两类的问题。
• 多标签分类问题：对观测指派的类别或标签多于一个的问题。

我们在这一章的核心任务就是预测的分类：

• 预测类别
• 预测每种类别可能的概率

在模型输出每种类别的情况下，分类依据是最高概率的类别预测。这是默认的，但是在特定的问题情境中，也会随之改变。

逻辑回归

现在正在使用机器学习执行分类任务。对于二元分类问题，逻辑模型可以生成目标属于正类的条件概率。这个模型是参数化模型的另一个示例，学习算法将尽可能挖掘性能最佳的参数组合$\omega$,参数$\omega$按照以下等式计算估计概率：

$$P\left(y=1|X\right)=\frac{1}{1+e^{-{\omega }^{T}X}}$$

当目标属于正类的时候，得到的值接近$1$;当目标属于负类的时候，得到的值接近$0$。

分类树

分类树生成预测的方法是创建一些规则，连续运用这些规则，最终达到叶节点。

分类树的工作原理

我们深入研讨一下，分类树模型中的一系列规则是如何生成的？从本质上来说，分类树就是将特征空间划分为矩阵区域来生成预测。在分类的情形下，要尽量分割区域均匀。通常使用的方法是递归二元分割。假设有两个特征需要进行分割，我们要搞清楚：

• 应该选择哪个特征进行分割？
• 应该选择哪个点完成分割？

这种递归式的分割数据空间的方法一直持续到抵达某种停止准则。我们给出scikit-learn个简单参数用于控制分类的大小：

• max_depth
• min_samples_split
• min_samples_leaf

在scikit-learn库中，是基于基尼指数或者熵来确定划分的。

随机森林

随机森林（Random Forest）是一种基于决策树的集成学习模型，通过构建多棵决策树并结合它们的预测结果来提高泛化能力。

核心原理

• 集成学习：
  • 自助采样（Bootstrap）：从原始数据中随机抽取多个子集（有放回抽样），训练多棵决策树。
  • 随机特征子集：每棵树在划分节点时，随机选择部分特征（如max_features参数），降低树之间的相关性。
• 投票机制：
  • 分类任务：通过多数投票确定最终类别；回归任务：取所有树预测值的平均值。

关键优势

• 抗过拟合：多棵树的平均效应减少了单棵树的噪声影响。
• 鲁棒性强：对缺失值、异常值不敏感，无需特征缩放。
• 天然支持多分类：直接通过投票处理多类别问题。
• 可解释性：通过特征重要性分析（feature_importances_）解释模型决策。

核心参数

参数名	作用
n_estimators	树的数量，越多模型越稳定，但计算成本越高（建议100+）。
max_depth	单棵树的最大深度，控制复杂度（默认None，可能导致过拟合）。
max_features	划分节点时随机选择的特征数（默认sqrt，适合分类；log2适合回归）。
min_samples_split	节点分裂所需最小样本数，防止过拟合（与决策树参数类似）。
class_weight	处理类别不平衡（如balanced自动调整权重）。

与决策树的对比

对比项	决策树	随机森林
模型复杂度	单棵树易过拟合	多棵树平均，泛化能力强
特征选择	全部特征	随机选择部分特征
预测稳定性	方差大	方差小
可解释性	直观（树结构）	需通过特征重要性分析

多元分类

多元分类（Multi-class Classification）是指将样本分配到三个或更多互斥类别的任务。
常用策略
(1) One-vs-Rest (OvR)

• 原理：为每个类别训练一个二分类器（区分该类别与其他所有类别），预测时选择概率最高的类别。
• 优缺点：
  • 优点：实现简单，适合类别较多的场景。
  • 缺点：可能忽略类别间的细微差异，对噪声敏感。

(2) One-vs-One (OvO)

• 原理：为每对类别训练一个二分类器，预测时通过投票决定最终类别。
• 优缺点：
  • 优点：训练更精细，避免类别不平衡问题。
  • 缺点：计算成本高（需训练( \frac{C(C-1)}{2} )个模型，( C )为类别数）。

(3) 直接多分类算法

• Softmax回归：扩展逻辑回归，使用Softmax函数输出多类别概率。
• 决策树/随机森林：通过树结构直接划分多类别，天然支持多分类。
• 神经网络：使用Softmax激活函数和交叉熵损失函数。

** 评估指标**

• 准确率（Accuracy）：正确分类的样本比例。
• 混淆矩阵：可视化各类别预测结果的交叉分布。
• 宏平均（Macro-average）：各类别指标的平均值（适用于类别均衡场景）。
• 加权平均（Weighted-average）：按类别样本数加权的平均值（适用于类别不平衡场景）。
• F1分数：综合精确率与召回率，衡量模型对少数类的识别能力。

from sklearn.datasets import load_digits
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report

# 加载多分类数据集（手写数字识别）
data = load_digits()
X, y = data.data, data.target

# 划分训练集与测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 初始化模型
clf = RandomForestClassifier(n_estimators=200, max_depth=5, random_state=42)

# 训练与预测
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)

# 评估
print(classification_report(y_test, y_pred))

朴素贝叶斯分类器

贝叶斯公式

$$P\left(default|male\right)=\frac{P\left(male|default\right)P\left(default\right)}{P\left(male\right)}$$

• $P\left(default|male\right)$:后验概率
• $P\left(default\right)$:先验概率
• $P\left(male|default\right)$ :似然，“逆”条件概率，即目标为真，信息为真的概率
• $P\left(male\right)$:信息概率

$$Posterior=\frac{Likelihood\times Prior}{Evidence}$$

回到分类问题

1. 算法原理

朴素贝叶斯是一种基于贝叶斯定理的概率分类模型，其核心思想是通过特征的条件概率来预测类别。
核心公式：
$$P(C|X)=\frac{P(X|C)\cdot P(C)}{P(X)}$$
其中：

• $C$ 是类别，$X$ 是特征向量。
• $P(C|X)$ 是后验概率（类别给定特征的概率）。
• $P(X|C)$ 是似然度（特征给类别定的概率）。
• $P(C)$ 是先验概率（类别本身的概率）。
• $P(X)$ 是证据因子（特征的全概率）。

关键假设：
特征之间条件独立（即 $P(X_1,X_2,\dots ,X_n|C)={\prod }_{i=1}^{n}P(X_i|C)$）。
这一假设简化了计算，但可能牺牲部分准确性。

2. 主要类型

根据数据类型的不同，朴素贝叶斯分为以下三类：

(1) 高斯朴素贝叶斯

• 适用数据：连续型特征（如身高、体重）。
• 假设：特征服从高斯分布（正态分布）。
• 公式：
  $$P(X_i|C)=\frac{1}{\sqrt{2\pi {\sigma }_{C,i}^2}}\exp \left(-\frac{(X_i-{\mu }_{C,i}{)}^2}{2{\sigma }_{C,i}^2}\right)$$
  其中 ${\mu }_{C,i}$ 和 ${\sigma }_{C,i}^2$ 是类别 $C$ 下第 $i$ 个特征的均值和方差。

(2) 多项式朴素贝叶斯

• 适用数据：离散型特征（如文本分类中的词频）。
• 假设：特征服从多项式分布。
• 公式：
  $$P(X_i|C)=\frac{N_{C,i}+\alpha }{N_C+\alpha \cdot n}$$
  其中$N_{C,i}$ 是类别 $C$ 中特征 $i$ 出现的次数，$N_C$ 是类别 $C$ 的总特征数，$\alpha$ 是平滑参数（防止零概率）。

(3) 伯努利朴素贝叶斯

• 适用数据：二值特征（如文本中的单词是否出现）。
• 假设：特征服从伯努利分布（二项分布）。
• 公式：
  $$P(X_i|C)=p_{C,i}\cdot X_i+(1-p_{C,i})\cdot (1-X_i)$$
  其中 $p_{C,i}$ 是类别 $C$ 中特征 $i$ 为$1$的概率。

3. 优缺点

优点	缺点
计算效率高，适合大规模数据。	对特征条件独立假设敏感，若假设不成立则性能下降。
无需复杂调参。	对缺失值敏感。
能有效处理高维数据（如文本）。	无法捕捉特征间的交互关系。

4. 应用场景

• 文本分类（如垃圾邮件过滤、情感分析）。
• 实时预测（因计算速度快）。
• 推荐系统（基于用户行为的概率预测）。
• 医学诊断（基于症状的概率推断）。

5. 评估指标

与其他分类模型类似，常用：

• 准确率（Accuracy）
• 混淆矩阵
• 精确率（Precision）、召回率（Recall）、F1分数
• ROC曲线与AUC值（针对二分类问题）。

6. 示例代码（Python）

from sklearn.datasets import fetch_20newsgroups
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report

# 加载文本分类数据集
data = fetch_20newsgroups(subset='all', remove=('headers', 'footers', 'quotes'))
X, y = data.data, data.target

# 划分训练集与测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 文本向量化（TF-IDF）
vectorizer = TfidfVectorizer(max_features=5000)
X_train_vec = vectorizer.fit_transform(X_train)
X_test_vec = vectorizer.transform(X_test)

# 初始化模型
clf = MultinomialNB(alpha=0.1)  # alpha为平滑参数

# 训练与预测
clf.fit(X_train_vec, y_train)
y_pred = clf.predict(X_test_vec)

# 评估
print(classification_report(y_test, y_pred))