ai(四) 分类

zh无

364人浏览 · 2026-03-22 19:17:50

zh无 · 2026-03-22 19:17:50 发布

4 分类：概率生成模型

分类概念

在这里插入图片描述

分类：找一个 $f u n c t i o n$ 函数，输入对象 $x$ 特征，输出是该对象在 $n$ 个类别中对应的类别。

回归模型vs概率模型

回归模型

如果把分类当作回归硬解：
1.二分类
在这里插入图片描述
举一个二分类的例子：输入神奇宝贝的特征 $x$ ，判断属于类别1或者类别2。
用回归处理：

类别1 $\rightarrow$ $y$ 预测值为1
类别2 $\rightarrow$ $y$ 预测值为-1
训练模型：接近1的当作类别1，接近-1的当作类别2.
这样处理二分类出现的问题：
当数据比较集中时候，如左图，模型准确度较高。
如果数据比较分散，如右图，绿色线是理想的 $b+w_1x_1+w_2x_2=0$ 的位置，但是由于回归模型的判断模型好坏的机制会导致模型训练的时候，为了减少error而将函数进行偏移（如图中紫色的线）

2.多分类问题
如果用回归问题解决多分类问题会导致不同类别间存在某种关系，但实际这个关系是不存在的。

所以分类问题不能通过回归解决。

理想模型

在这里插入图片描述
二分类问题为例：
模型定义： $f (g (x))$
损失函数定义：在训练集上面测试错误的次数。
优化模型的方法：SVM,Perceptron（感知机），后面介绍。

概率生成模型(generative model)

简称生成模型。
![[attachment/Pasted image 20260321224656.png]]

先验概率：
- $P(C_1)$ : 所有类别中选到 $C_1$ 类别的概率
- $P(C_2):$ 所有类别中选到 $C_2$ 类别的概率
条件概率:
- $P(x|C_1)$ :抽到类别 $C_1$ 中的 $x$ 的概率
- $P(x|C_2)$ :抽到类别 $C_2$ 中的 $x$ 的概率
后验概率：
- $P(C_1|x)$ :抽到 $x$ 是属于 $C_1$ 类别的概率
- $P(C_2|x)$ :抽到 $x$ 是属于 $C_2$ 类别的概率
  生成模型：（以二分类为例）知道 $P(C_1)、P(C_2)、P(x|C_1)、P(x|C_2)$ 【红色方框中的值】的值，就可以计算 $P(C_1|x)、P(C_2|x)$ 。那个数值大就属于哪个分类。根据训练数据集来估计红色方框中的值。
$P(C_1)、P(C_2)$ : 直接通过训练数据集计算
$P(x|C_1)$ 、 $P(x|C_2)$ ：利用已有训练数据，估测出期望 $\mu$ 、 $\sum$ ,根据高斯分布计算

高斯分布：

高斯分布：相当于函数 $f u n c t i o n$ 输入是向量 $x$ 输出是选中 $x$ 的概率。（并不完全等价于概率，只是和概率成正比）
在这里插入图片描述

参数：
- $\mu$ :期望 $\rightarrow$ 决定概率分布的最高点
- $\sum$ :协方差矩阵 $\rightarrow$ 决定概率分布的离散程度

测试集的点会在任意期望和协方差构成的高斯分布中，不同处是在不同的高斯分布图中测试集的点的概率大小不同。这时使用到似然函数(Likelihood function)（根据已有数据进行参数估计）
机器学习 - 似然函数：概念、应用与代码实例-腾讯云开发者社区-腾讯云
似然函数：用于量化在给定某参数时，观察到某样本数据的”可能性“，数学定义：
![[attachment/Pasted image 20260322165203.png]]

最大似然估计（Maximum Likelihood Estimation,MLE）：最大化似然函数找到最“适合”参数。
举例：给定参数 $\mu$ 、 $\sum$ 后，通过 $L(\mu,\sum)$ 计算训练集中所有数据出现的概率.这里 $L(\mu,\sum)$ 就是似然函数。使 $L(\mu,\sum)$ 最大的 $L(\mu,\sum)$ 记做 $L(\mu^*,\sum^*)$ ,也就是最大似然估计。
（具体计算“最适合”参数的方法没了解）
![[attachment/Pasted image 20260322175301.png]]

生成模型应用

神奇宝贝属性预测

输入：一只神奇宝贝的特征（整体强度，生命值，攻击力，防御力，特殊攻击力，特殊防御力，速度等）
输出：属于水属性或者是一般属性
假设：训练数据集（79只水属性，61只一般属性）
计算模型参数：四个概率

根据参数计算需要的数值：

得到模型结果：

左上角的图中：蓝色 $\rightarrow$ 水属性红色 $\rightarrow$ 一般属性，越红的地方说明是水属性的可能越高。
右上角是在训练集上的结果。
红色部分： $P(C_1|x)$ ＞0.5 ，属于类别1 $\rightarrow$ 水属性
蓝色部分 $\rightarrow$ 一般属性
右下角是在测试集上的结果，准确度：47%
47%的准确率是只处理二维（两个属性）的情况，如果加入更多的特征，比如处理7维，在测试集上的准确度也只能达到54%.

模型优化：
在这里插入图片描述

一般不会为每个高斯分布计算不同的协方差矩阵。协方差矩阵中参数的多少和特征 $x$ 成正比。比如：3个特征 $x$ ，对应协方差矩阵中参数个数为9个。如果模型参数过多容易过拟合，所以为两个不同类别的高斯分布相同的协方差矩阵。
![[attachment/Pasted image 20260322175040.png]]
$\mu_1$ 和 $\mu_2$ 的计算方法不变，还是直接将特征相加求平均。 $\sum$ 计算不同（没了解具体怎么算）。
经过上面的简化获得新的模型，在测试集上面的测试结果（7维，54% $\rightarrow$ 73%）：
在这里插入图片描述

新分类的边界是线性 $\rightarrow$ 这种分类叫做线性模型。

概率模型-建模三部曲

简化为前面的三大步：实际找到可以产生较为准确的输入特征对应分类的概率的函数。
![[attachment/Pasted image 20260322175934.png]]

为什么是通过高斯分布作为几率模型？(各个特征间存在一定的联系)
![[attachment/Pasted image 20260322181526.png]]
如果每个维度用概率分布模型产生产生出来的几率是相互独立的，可以将 $P(x|C_1)$ 进行上面的拆分，会使协方差矩阵除去对角线都是0，减少参数量，但是这种行为不可取。一般不同维度间会有一定的关联。

二元分类：通常不会用高斯分布，可以假设是符合 Bernoulli distribution（伯努利分布）
假设所有的feature都是相互独立产生的，这种分类叫做 Naive Bayes Classifier（朴素贝叶斯分类器）

对后验概率进行处理：
exp 是 指数函数 (Exponential function) 的缩写：
$\exp(-z)$ 时，它等同于： $e^{-z} \quad \text{或者} \quad \frac{1}{e^z}$
![[attachment/Pasted image 20260322182731.png]]

对z进行处理：（推导过程，记下最后结论好了）
![[attachment/Pasted image 20260322184152.png]]

在这里插入图片描述
一般协方差矩阵是共用的，所以根据条件 $\sum^1=\sum^2=\sum$ 继续对 $z$ 进行化简：

$w^T=(\mu^1-\mu^2)^T\sum^{-1}$ ,后面3项都是标量作为 $b$
得到最终化简结果： $P (C 1∣ x) = σ (w \cdot x + b)$
结论：知道 $N_1.N_2,\mu^1,\mu^2,\sum$ 就能够计算出 $w, b$ .
如果是作为线性模型处理为什么要先计算一大堆的概率后再得出 $w, b$ ,后面介绍其他方法。