朴素贝叶斯分类器的平衡语料库答案

【问题标题】：Balanced corpus for Naive Bayes Classifier朴素贝叶斯分类器的平衡语料库
【发布时间】：2017-12-05 14:16:04
【问题描述】：

我正在使用NB 分类器进行情绪分析。我发现了一些应该平衡训练语料库的信息（博客、教程等）：

33.3% 阳性；
33.3% 中性
33.3% 阴性

我的问题是：

为什么corspus 应该平衡？贝叶斯定理基于理由/案例的概率。因此，出于培训目的，在现实世界中，例如负面推文只有 10% 而不是 33.3%，这不是很重要吗？

【问题讨论】：

标签： machine-learning bayesian naivebayes

【解决方案1】：

您是对的，平衡数据对于许多判别模型很重要，但对于 NB 而言并非如此。

但是，偏向 P(y) 估计器以获得更好的预测性能可能更有益（因为由于使用了各种简化模型，分配给少数类的概率可能严重欠拟合）。对于 NB，它不是关于平衡数据，而是从字面上修改估计的 P(y)，以便在验证集上最大化准确性。

【讨论】：

您好，感谢您的回复。所以请确认如果我得到它。我可以修改给定类中文档的比例，以获得更适合测试数据的模型？
是的，您将使贝叶斯推理无效，但这并不意味着模型会表现不佳。朴素贝叶斯已经对您的数据做了许多错误的假设，您将再添加一个。在实践中，两者都可以工作，具体取决于收集数据的方式、其特征等。只需记住验证这种重新加权验证而不是测试数据。

【解决方案2】：

在我看来，如果您的分类器将使用真实世界数据的样本，那么用于训练目的的最佳数据集。

这适用于所有分类器（但其中一些分类器确实不适合不平衡的训练集，在这种情况下，您实际上无法选择扭曲分布），尤其是对于概率分类器，例如朴素贝叶斯。所以最好的样本应该反映自然的类分布。

请注意，这不仅对类先验估计很重要。朴素贝叶斯将为每个特征计算给定特征预测类别的可能性。如果您的贝叶斯分类器专门用于对文本进行分类，它将使用全局文档频率度量（给定单词在数据集中出现的次数，所有类别）。如果训练集中每个类别的文档数量不能反映它们的自然分布，那么通常在不频繁类别中看到的术语的全局术语频率将被高估，而在频繁类别中的术语频率被低估。因此，不仅先验类概率会不正确，而且所有P(category=c|term=t) 估计也会不正确。

【讨论】：

谢谢！你证实了我的猜测:)