本文內容原創，未經作者許可禁止轉載！

目錄

一、前言

二、摘要

三、關鍵詞

四、算法原理

五、經典應用

六、R建模

1、載入相關包(內含彩蛋)：

1.1 library包載入

1.2 pacman包載入(彩蛋)

2、讀入數據：

3、可視化：

---

一、前言

樸素貝葉斯法是基于貝葉斯定理與特征條件獨立假設的分類方法，最為廣泛的兩種分類模型是決策樹模型和樸素貝葉斯模型。和決策樹模型相比，樸素貝葉斯分類器發源于古典數學理論，有著堅實的數學基礎，以及穩定的分類效率。同時，NBC模型所需估計的參數很少，對缺失數據不太敏感，算法也比較簡單。理論上，NBC模型與其他分類方法相比具有最小的誤差率。但是實際上并非總是如此，這是因為NBC模型假設屬性之間相互獨立，這個假設在實際應用中往往是不成立的，這給NBC模型的正確分類帶來了一定影響。

二、摘要

樸素貝葉斯模型的精確度很高，如果已經準備好了一個帶標簽的數據集，則我們可以使用樸素貝葉斯模型，樸素貝葉斯模型的訓練非常容易，模型的更新也非常迅速。

三、關鍵詞

樸素貝葉斯;分類器

四、算法原理

樸素貝葉斯分類（NBC）是以貝葉斯定理為基礎并且假設特征條件之間相互獨立的方法，先通過已給定的訓練集，以特征詞之間獨立作為前提假設，學習從輸入到輸出的聯合概率分布，再基于學習到的模型，輸入X求出使得后驗概率最大的輸出Y。

五、經典應用

垃圾郵件分類是樸素貝葉斯的經典應用。其原理是創造一個特征向量，每一項對應著詞典中的一個詞，之后根據每個詞是否出現在郵件中，構成一個特征向量。每封郵件都可以表示為一個二元向量，這個向量的第j個元素是0還是1取決于總共要考慮的單詞個數。

樸素貝葉斯分類應用定理來計算給定測試集個案條件下的類概率。樸素貝葉斯模型的核心概念是獨立性。(其中c是一個類，X1,X2,X3……是一組特征向量，是數據集中預測變量的觀測值)

概率P(c)可以視為類c的先驗預期，而P(X1,..,Xp | c)則是在給定類c的條件下測試個案的似然概率。最后，分母是觀測到的證據的概率。由于分母對所有類都是常數，所以決策僅取決于方程中的分子。

應用條件概率的統計定義和預測變量間獨立的條件假設，推導出分式中的分子為：

樸素貝葉斯方法用訓練集樣本的相對頻率來估計這些概率。應用這些估計值，該方法按照類概率公式來輸出每一個測試個案的類概率。貝葉斯法則會幫助研究人員計算出真正想知道的概率值p（c | x）。

六、R建模

1、載入相關包：

1.1 library包載入

首先分析所需要的相關包，然后進行載入，本項目中所用的包有：

l dplyr

l purrr

l tidyr

l tidybayes

l ggridges

l cowplot

l rstan

l brms

l gganimate

l ggplot2

通過library(“packagename”)將以上包挨個完成載入。

圖 1 library載入所需packages

1.2 pacman包載入

對于大規模數據的挖掘項目，多達十幾個packages的載入，library（ ）命令會使得工作量變得很大。在這里推薦一個在R中一次性安裝加載多個包的——pacman包。

• pacman包是R包集群管理的工具，能夠減少大量packages操作相關的鍵入。依托函數library（ ）為基礎，pacman包能夠在部署R工程時極大的提高集群管理的效率并減少有關packages的繁瑣調用代碼。其中p_load（）方法用于一次性下載/裝載/更新多個packages。
• 首先對pacman包進行安裝：

先對CRAN鏡像進行設定，輸入代碼：install.packages(“pacman”)

圖 2 install.packages(“pacman”)

• pacman包安裝成功后使用p_load（ ）函數，將以上對packages集群的下載及安裝代碼縮短為：

pacman::p_load(packagename1,packagename2,……,packagenameN)

安裝實例如下圖所示：

圖 3 安裝實例

• 同時所需要的相關包的依托包也自動完成載入（若存在一些依托包下載失敗的情況可以再手動官網下載相關包），打開包路徑去檢測packages集群的下載及安裝是否正確，示意圖如下：

圖 4 示意圖

• 我們可以發現相關的包及其依托包成功安裝，那么接下來我們可以開始對數據進行讀入操作。

2、讀入數據：

rnorm(n, mean = 0, sd = 1)
n 為產生隨機值個數（長度），mean 是平均數， sd 是標準差 。
使用該函數的時候后，一般要賦予它 3個值.
rnorm（） 函數會隨機正態分布，然后隨機抽樣 或者取值 n 次，
>rnorm（5，0,1） 以N（0,1）的正態分布，分別列出5個值。
r 這列代表隨機，可以替換成dnorm, pnorm, qnorm 作不同計算
r = random = 隨機， d= density = 密度，

p= probability = 概率 ， q =quantile = 分位

參數說明：set.seed（ ）：設置隨機數種子，確保實驗結果可以復現。

代碼如下：

> set.seed(4118)

> n=100

> cens_df=tibble(

+ y_star=rnorm(n,0.5,n),

+ y_lower=floor(y_star),

+ y_upper=ceiling(y_star),

+ censoring="interval"

+ )

> cens_df

則cens_df數據集包含生成的n=100條數據(對前十條記錄進行截取)，數據樣本如下圖所示：

圖 5數據樣本

設置工作目錄后，通過write.csv()方法將數據框中數據導出到csv文件保存，效果如下：

圖 6 導出為csv文件

導出的csv文件在工作目錄下，效果如下：

圖 7 csv文件在工作目錄下

打開csv文件查看數據是否成功導出，可以發現導出成功，效果如下：

圖 8 數據導出成功

數據讀入操作完成，接下來對數據進行可視化操作。

3、可視化操作：

3.1可視化：

首先對可視化過程中可能涉及到的幾個包與函數進行功能說明，本文的可視化實現全是基于ggplot()函數來完成各圖像的繪制。

ggplot(data,aes(x,y)) + 初始化圖形并指定數據源和作圖變量

geom_type()+ 指定圖形的類型

annotate()+ 添加文本注釋

labs()+ 修改住坐標和坐標軸標題

• 管道函數：

％>％來自dplyr包的管道函數，其作用是將前一步的結果直接傳參給下一步的函數，從而省略了中間的賦值步驟，可以大量減少內存中的對象，節省內存。

符號%>%，這是管道操作，其意思是將%>%左邊的對象傳遞給右邊的函數，作為第一個選項的設置（或剩下唯一一個選項的設置）

• geom_density_ridges()：

主要根據密度繪制山脊線圖,該函數首先會根據數據計算密度然后繪圖，此時美學映射height沒有必要寫入函數中。

• geom_jitter()：

在R中散點圖的時候會經常出現，點重合比較嚴重的現象，這對我們尋找數據規律或者觀察數據有很大的干擾。所幸的是R中，可以用geom_jitter()函數來調整，消除點的重合。

geom_jitter(mapping = NULL, data = NULL, stat = "identity", position = "jitter", ..., width = NULL, height = NULL, na.rm = FALSE, show.legend = NA, inherit.aes = TRUE)就參數而言，geom_jitter()和其他函數差別不大，特別的兩個參數是width,height

width 用于調節點波動的寬度

height 用于調節點波動的高度

• 標度Scale：

標度（scale），是將數據空間（標度的定義域）映射到圖形屬性空間（標度的值域）
的一個函數。每一種圖形屬性都有一個默認的標度，當我們每一次使用這個圖形屬性時都會自動
添加到圖形中。

• geom_dotplot：

ggplot2包中繪制點圖的函數有兩個：geom_point和 geom_dotplot，當使用geom_dotplot繪圖時，point的形狀是dot，不能改變點的形狀，因此，geom_dotplot 叫做散點圖（Scatter Plot），通過繪制點來呈現數據的分布，對點分箱的方法有兩種：點密度（dot-density ）和直方點（histodot）。當使用點密度分箱（bin）方式時，分箱的位置是由數據和binwidth決定的，會根據數據進行變化，但不會大于binwidth指定的寬度；當使用直方點分箱方式時，分箱有固定的位置和固定的寬度，就像由點構成的直方圖（histogram）。

bin是分箱的意思，在統計學中，數據分箱是一種把多個連續值分割成多個區間的方法，每一個小區間叫做一個bin（bucket），這就意味著每個bin定義一個數值區間，連續值會落到相應的區間中。對點進行分箱時，點的位置（Position adjustment）有多種調整方式：

identity：不調整

dodge：垂直方向不調整，只調整水平位置

nudge：在一定的范圍內調整水平和垂直位置

jitter：抖動，當具有離散位置和相對較少的點數時，抖動很有用

jitterdodge：同時jitter和 dodge

stack：堆疊，

fill：填充，用于條形圖

• 使用geom_dotplot()函數來繪制點圖：

geom_dotplot(mapping = NULL, data = NULL, position = "identity", ...,

binwidth = NULL, binaxis = "x", method = "dotdensity",

binpositions = "bygroup", stackdir = "up", stackratio = 1,

dotsize = 1, stackgroups = FALSE, origin = NULL, right = TRUE,

width = 0.9, drop = FALSE, na.rm = FALSE, show.legend = NA,

inherit.aes = TRUE)

uncensored_plot=cens_df %>%

ggplot(aes(y=””,x=y_star))+

geom_density_ridges(bandwidth=0.5,scale=1.5)+

geom_jitter(aes(y=0.75,color=ordered(y_lower)),position=position_jitter(height=0.2))+

ylab(NULL)+

scale_x_continuous(breaks=-4:4,limits=c(-4,4))

censored_plot=cens_df %>%

ggplot(aes(y=””,x=(y_lower+y_upper)/2))+

geom_dotplot(

aes(fill=ordered(y_lower)),

method=”histodot”,origin=-4,binwidth=1,dotsize=0.5,stackratio=.8,show.legend=FALSE, stackgroups=TRUE,binpositions=”all”,color=NA)+

geom_segment(

aes(x=y+0.5,xend=y+0.5,y=1.75,yend=1.5,color=ordered(y)),

data=data.frame(y=unique(cens_df$y_lower)),show.legend=FALSE,

arrow=arrow(type=”closed”,length=unit(7,”points”)),size=1)+

ylab(NULL)+

xlab(“interval-censored y”)+

scale_x_continuous(breaks=-4:4,limits=c(-4,4))

plot_grid(align=”v”,ncol=1,rel_heights=c(1,2.5),

uncensored_plot,

censored_plot

圖 9 對模型進行可視化

3.2數值比較：

ggplot2 geom設置—散點圖

散點圖也是目前R中的常用的圖形之一

geom_point(mapping = NULL, data = NULL, stat = "identity", position = "identity", na.rm = FALSE, ...)，類似上文中的geom_jitter

m %>%

spread_draws(condition_mean[condition],response_sd) %>%

mutate(y_rep=rnorm(n(),condition_mean,response_sd)) %>%

median_qi(y_rep, .width=c(.95, .8, .5)) %>%

ggplot(aes(y=fct_rev(condition),x=y_rep))+

geom_intervalh()+

geom_point(aes(x=response),data=ABC)+

scale_color_brewer()

圖 10 對模型的數值進行比較

3.3 繪制分位數點圖：

spread用來擴展表，把某一列的值（鍵值對）分開拆成多列。

spread(data, key, value, fill = NA, convert = FALSE, drop =TRUE, sep = NULL)

key是原來要拆的那一列的名字（變量名），value是拆出來的那些列的值應該填什么（填原表的哪一列）

spread_draws(condition_mean[condition]) %>%

do(tibble(condition_mean=quantile(.$condition_mean,ppoints(100)))%>%

ggplot(aes(x= condition_mean)) +

geom_dotplot(binwidth =.04) +

facet_grid(fct_rev(condition) ~.) +

scale_y_continuous(breaks =NULL)

圖 12 繪制分位數點圖

3.4繪制小提琴圖：

小提琴圖(Violin Plot)用于顯示數據分布及其概率密度，因其形狀酷似小提琴而得名。

這種圖表結合了箱線圖和密度圖的特征，主要用來顯示數據的分布形狀。中間的黑色粗條表示四分位數范圍，從其延伸的幼細黑線代表95% 置信區間，而白點則為中位數。如果需要，中間的箱線圖還可以替換為誤差條圖。

箱線圖或誤差條圖在數據顯示方面受到限制，簡單的設計往往隱藏了有關數據分布的重要細節。例如使用箱線圖時，我們不能了解數據分布是雙模還是多模。小提琴圖能夠展示數據的真正分布范圍和形狀。值得注意的是，雖然小提琴圖可以顯示更多詳情，但它們也可能包含較多干擾信息。

使用工具：R語言中的ggplot2工具包。

spread_draws(condition_mean[condition]) %>%

ggplot(aes(y=fct_rev(cens_df),x= cens_df))+

geom_violinh(color=NA,fill=”gray65”)+

stat_pointintervalh(.width=c(.95,.66))

圖 11 小提琴圖

七、總結

7.1小結：

樸素貝葉斯（Naive Bayes）是一種生成學習算法，即對p(x | y）進行建模，該理論是基于貝葉斯定理的一種統計分類方法，應用到預測變量之間具有獨立想這一假設。在實際應用中，通常會有一個簡單的基礎模型以備使用。

我們首先搜集相關資料，基于樸素貝葉斯構造分類模型，樸素貝葉斯模型的精確度很高，如果已經準備好了一個帶標簽的數據集，則我們可以使用樸素貝葉斯模型，樸素貝葉斯模型的訓練非常容易，模型的更新也非常迅速。

通過對于資料進行整合，發現需要依托的包比較大，然后一個一個導入package使得工作量過大，便在網上查詢有沒有什么更便捷的方法可以一次load所需要的所有包。果不其然我們找到了pacman包，該包的具體依托函數library（ ）為基礎，pacman包能夠在部署R工程時極大的提高集群管理的效率并減少有關packages的繁瑣調用代碼。其中p_load（）方法用于一次性下載/裝載/更新多個packages。

完成了相關package的導入以后我們便開始生成相關的隨機數，作為我們的數據集，在這里用到了rnorm和set.seed，完成了100條記錄的生成，并且導出為csv文件。

接下來最后一步就是對我們生成數據進行可視化操作，分別進行了基本的可視化操作，然后對模型進行數值比較，再是繪制分位數點圖和繪制小提琴圖，完成了可視化實現。

7.2 收獲：

本題目靈感來源于當時所作的”基于神經網絡的故障電弧檢測研究”科創項目，其中目前研究多為通過快速傅里葉變換來完成故障電弧的數據處理，還有一些相關的生成學習算法，然后就有了基于樸素貝葉斯構造分類模型的靈感。

本論文的完成加深了對各類包的理解，同時以及ggplot包的各種繪圖神器，繪制一些簡單的散點圖、折線圖、箱型圖、小提琴等圖形。還對R語言完成從零到簡單入門，進一步的感受到R語言對于龐大數據量進行可視化操作的便利度，相比于matlab的圖形處理在很多方面都有更多的便利。

歡迎大家加入人工智能圈參與交流

http://www.zhihu.com/club/1211742218421227520?www.zhihu.com

總結

以上是生活随笔為你收集整理的r包调用legend函数_R语言实现基于朴素贝叶斯构造分类模型数据可视化的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。