单特征高斯朴素贝叶斯原理详解与Python实现

摘要

本文以“每周观影时长”为单特征，通过固定模拟数据，详细讲解高斯朴素贝叶斯的核心原理（先验概率、似然、乘法逻辑、高斯分布的作用），并使用Python实现两类人群高斯分布的可视化，直观展示算法逻辑。

---

目录

1. 问题引入
2. 核心逻辑
3. 模拟数据集
4. 关键概念详解
5. Python实现与可视化
6. 总结

---

1. 问题引入

假设仅通过“每周观影时长”这一个连续特征，判断一个人更可能是“互联网程序员”还是“在校大学生”。由于两类人群的观影时长存在重叠，无法凭直觉直接判断，需通过高斯朴素贝叶斯计算概率进行分类。

---

2. 核心逻辑

高斯朴素贝叶斯的核心是：逐个假设样本属于某一类别，计算“属于该类别 + 具备当前特征”的联合概率（先验×似然），选择联合概率最大的类别作为预测结果。

---

3. 模拟数据集

本文使用固定模拟数据，范围明确，便于讲解：

类别	人数	每周观影时长均值（$\mu$）	每周观影时长方差（${\sigma }^2$）
互联网程序员	70	3.5	1.0
在校大学生	30	5.8	1.3

待预测样本特征值：$x=4.2$ 小时。

---

4. 关键概念详解

4.1 先验概率

先验概率仅由类别在训练集中的占比决定，与特征完全无关，反映类别本身的“基础比例”。

计算公式：
$$P(类别)=\frac{该类别样本数}{总样本数}$$

代入数据计算：

• 程序员先验：

$$P(程序员)=\frac{70}{100}=0.7$$

• 大学生先验：

$$P(大学生)=\frac{30}{100}=0.3$$

4.2 似然

似然表示“固定类别前提下，当前特征值出现的相对概率”。对于连续特征（如观影时长），无法直接统计单点概率，因此使用**高斯分布（正态分布）**拟合特征分布，用特征值在高斯曲线上的高度近似似然值。

条件概率形式：
$$P(特征|类别)$$

4.3 乘法逻辑

联合概率需要“属于该类别”和“具备该特征”两个独立事件同时发生，因此概率为两者乘积：
$$P(类别且特征)=P(类别)\times P(特征|类别)$$

4.4 高斯分布的作用

高斯分布的形状由两个参数唯一确定：

• 均值$\mu$：决定曲线中心位置，反映该类特征的平均水平；
• 方差${\sigma }^2$：决定曲线胖瘦，反映数据的分散程度（${\sigma }^2$越大，曲线越宽，数据越分散）。

通过训练集计算每类的$\mu$和${\sigma }^2$，即可确定该类的高斯分布曲线，用于估算连续特征的似然值。

---

5. Python实现与可视化

以下代码实现两类人群高斯分布的可视化，直观展示待预测点（4.2小时）在两条曲线上的位置（即似然值）。

import numpy as np
import matplotlib.pyplot as plt

# 解决中文乱码
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 定义高斯分布概率密度函数
def gaussian(x, mu, sigma_sq):
    return (1 / np.sqrt(2 * np.pi * sigma_sq)) * np.exp(-(x - mu)** 2 / (2 * sigma_sq))

# 模拟数据集参数
mu_programmer = 3.5    # 程序员观影时长均值
sigma_sq_programmer = 1.0  # 程序员观影时长方差
mu_student = 5.8       # 大学生观影时长均值
sigma_sq_student = 1.3     # 大学生观影时长方差
x_pred = 4.2            # 待预测样本特征值

# 生成x轴数据（观影时长范围）
x = np.linspace(0, 10, 500)

# 计算两类的高斯分布y值
y_programmer = gaussian(x, mu_programmer, sigma_sq_programmer)
y_student = gaussian(x, mu_student, sigma_sq_student)

# 计算待预测点的似然值（曲线高度）
y_pred_programmer = gaussian(x_pred, mu_programmer, sigma_sq_programmer)
y_pred_student = gaussian(x_pred, mu_student, sigma_sq_student)

# 绘图设置
plt.figure(figsize=(10, 6))
plt.plot(x, y_programmer, label='程序员 (μ=3.5, σ²=1.0)', color='#1f77b4', linewidth=2)
plt.plot(x, y_student, label='大学生 (μ=5.8, σ²=1.3)', color='#ff7f0e', linewidth=2)

# 标注待预测点
plt.scatter(x_pred, y_pred_programmer, color='#1f77b4', s=100, zorder=5)
plt.scatter(x_pred, y_pred_student, color='#ff7f0e', s=100, zorder=5)
plt.vlines(x_pred, 0, max(y_pred_programmer, y_pred_student), linestyles='--', color='gray', alpha=0.7)
plt.text(x_pred + 0.1, y_pred_programmer, f'似然(程序员)={y_pred_programmer:.3f}', color='#1f77b4')
plt.text(x_pred + 0.1, y_pred_student, f'似然(大学生)={y_pred_student:.3f}', color='#ff7f0e')

# 标注均值位置
plt.axvline(mu_programmer, color='#1f77b4', linestyle=':', alpha=0.5, label='程序员均值')
plt.axvline(mu_student, color='#ff7f0e', linestyle=':', alpha=0.5, label='大学生均值')

# 图表美化
plt.xlabel('每周观影时长（小时）', fontsize=12)
plt.ylabel('概率密度（似然近似值）', fontsize=12)
plt.title('单特征高斯朴素贝叶斯：两类人群观影时长分布', fontsize=14)
plt.legend(fontsize=10)
plt.grid(alpha=0.3)
plt.xlim(0, 10)
plt.ylim(0, 0.5)

plt.show()

可视化结果说明

运行代码后将生成高斯分布曲线：

• 蓝色曲线：程序员观影时长分布（中心在3.5小时）；
• 橙色曲线：大学生观影时长分布（中心在5.8小时）；
• 灰色虚线：待预测点4.2小时的位置；
• 散点及文字：4.2小时在两条曲线上的高度（即似然值）。

结合先验概率（程序员0.7，大学生0.3），可计算联合概率：

• 程序员联合概率：

$$0.7\times 似然(程序员)$$

• 大学生联合概率：

$$0.3\times 似然(大学生)$$

最终选择联合概率更大的类别作为预测结果。

---

6. 总结

高斯朴素贝叶斯的核心逻辑可概括为：

1. 先验概率：仅看类别基础占比，与特征无关；
2. 似然：固定类别，用高斯分布拟合连续特征，估算特征出现的相对概率；
3. 乘法逻辑：联合概率为“先验×似然”，反映“类别+特征”同时发生的可能性；
4. 高斯作用：解决连续特征无法直接统计概率的问题，通过均值和方差确定分布曲线。

通过本文的原理讲解和Python可视化，可直观理解高斯朴素贝叶斯的工作流程。