朴素贝叶斯入门

这是什么

一篇「一个例子说清楚」的概率分类入门。它解决一类日常问题：根据观测现象（特征数据）推测背后的原因——草地湿了是不是下雨、交易量涨了是有新资金还是存量资金、体检阳性是真得病还是误诊。朴素贝叶斯的卖点：用历史数据的分布，给你「最有可能的结果」，让你的错误概率最小化。正文先破掉一句绕口定义（贝叶斯定理 + 特征条件独立假设 + 后验概率最大化的分类方法），然后用医学例子把它拆开讲，最后给 sklearn 用法。

核心要点

一个例子：年轻人检查阳性，真得病概率比没病还低

• 人群 20000 人：没病 18000、有病 2000（年轻人得病概率远小于年长）。
• 有病者中：年轻人占 5%，检查阳性率 99%。
• 没病者中：年轻人占 95%，误诊（假阳性）率 1%。
• 「年轻且阳性且真得病」= 2000×5%×99% = 99 人；「年轻且阳性且没病」= 18000×95%×1% = 171 人。
• 所以：已知「年轻且阳性」时，P(真得病)=99/(99+171)=36.7%，P(没病)=171/(99+171)=63.3%。
• 反直觉结论：确诊率 99% 看着吓人，但年轻人得病的基础率太低，阳性样本里多数是误诊——所以现实里医生会让你复诊。这告诉我们：看「检测有多准」之前，先看「得病的人本来就多不多」（先验主导后验）。

特征的条件独立假设

• 特征 = 用来判断未知结果的已知数据（例子里是「是否年轻」「检查是否阳性」）。
• 关键假设：给定类别时特征之间独立 → 「年轻且阳性」的概率 = P(年轻)×P(阳性)，概率可以相乘。
• 不独立就不能乘：天空有云概率 0.5、下雨概率 0.33，但两者不独立，不能推出「又有云又下雨」=0.5×0.33。

贝叶斯定理

• 公式（X=x 是特征、Y=c_k 是类别）：P(Y=c_k|X=x) = P(X=x|Y=c_k)·P(Y=c_k) / Σ_k P(X=x|Y=c_k)·P(Y=c_k)。
• 例子里 A/B = 99/(99+171) 正是这个公式：A 是「真得病的人里年轻且阳性」的数目，B 是「人群里所有年轻且阳性」的数目。

后验概率最大化

• 把每个类别的后验概率都算出来，选最大的一个作答——这就是朴素贝叶斯「给你最可能结果」的方式。
• 阳性例子里没病概率（63.3%）更大 → 结论：阳性不意味着确诊，为了安全起见需要复诊。

sklearn 的具体使用

• 特征：由收盘价数据计算的 SMA、WMA、MOM 指标。
• 训练样本：2007-1-4 到 2016-6-2 中截止前一天的三个指标；类别标签 = 这些天里每天的涨跌（涨 True、跌 False）。
• 测试样本：2016-6-3 的三个指标与当天真实涨跌。判断对 → 输出 True，错 → 输出 False。
• 作用与「SVM 那一篇」的例子一样，只展示如何使用，不对预测的准确性做担保（原文原话）。

机制 / 论证

• 为什么叫「朴素」：加了「特征条件独立」这个省事假设，联合概率就能拆成各特征概率的乘积，计算量与样本需求骤降；代价是特征真相关时（云和雨）估计会失真。
• 为什么反直觉结果成立：类先验（年轻人得病率极低）在公式里压过了「检测很准」的似然。贝叶斯定理把「先验 P(Y) + 似然 P(X|Y)」合成「后验 P(Y|X)」——先验低 + 假阳性样本量大，阳性者里没病的人反而多。
• 为什么选后验最大的类：在「模型假设正确」的前提下，后验最大化 ≈ 让分类错误率最小（导语所说「使你犯错误的概率最小化」）。
• 为什么能用于涨跌：把「次日涨/跌」当类别、把技术指标当特征，历史数据给出似然与先验，就能对今天算「明天更可能涨还是跌」。注意这只是用法演示——原文明说准确性没担保。

可操作

• 用 sklearn 做朴素贝叶斯涨跌二分类的流程（Python 环境，代码在文末 notebook）：
  1. 由收盘价算 SMA/WMA/MOM 指标。
  2. 训练样本特征 = 截止前一日的三指标；标签 = 每天涨跌（涨 True / 跌 False）。
  3. 测试样本 = 当日三指标。
  4. 分类器判断结果与当天实际涨跌比对，输出 True/False。
• 具体库/类名、参数与数据拼装代码在 notebook（notebookCloneCount=387），raw 未含 [需要验证]。
• 医学例子的核心数字（99、171、36.7%、63.3%）可当模板手算一遍：先定人群 → 分有病/没病 → 各自乘「占比×检测率」→ 归一化。

术语

• 先验概率 P(Y)：看到特征之前，某类出现的概率（年轻人得病率）。
• 似然 P(X|Y)：已知某类时，观察到这些特征的概率（有病者阳性率 99%）。
• 后验概率 P(Y|X)：看到特征之后，属于某类的概率（阳性者真得病率 36.7%）。
• 条件独立假设：给定类别时各特征互不影响，概率可相乘。
• 朴素贝叶斯：贝叶斯定理 + 条件独立假设 + 后验概率最大化的分类器。

不确定 / 待验证

• 医学例子的概率树画在两幅图里（raw 只有图链）；正文文字给出的数字（年轻人 5% vs 95%、阳性率 99% vs 1%）与图一致，但两处占比的出处看图才直观 [需要验证]。
• sklearn 具体用的是哪个朴素贝叶斯实现（GaussianNB 等）与代码细节在 notebook，raw 只给了文字流程 [需要验证]。
• 训练窗口 2007-1-4~2016-6-2、测试只有 2016-6-3 单日——是「跑通代码」的演示，不是有效性检验。
• 原文提到的「SVM 那一篇」（postId=1510）与 43 篇说的随机森林原理篇（postId=1571）均未收录本库。
• 朴素贝叶斯对连续特征通常要做分布假设（高斯等），本文未展开。

相关

• 朴素贝叶斯（贝叶斯定理 + 条件独立 + 后验最大化的分类器） — 朴素贝叶斯共享概念页（本篇 + 43 应用提炼）
• 手把手教你如何应用机器学习 — 朴素贝叶斯作为三算法之一的应用篇（第 43 篇，postId=1900）
• 神经网络入门 — 同用 SMA/WMA/MOM 特征 + 涨跌标签的姊妹演示篇（第 42 篇）
• 信息增益入门 — 机器学习组第 1 篇（特征选择概念）
• 聚宽量化课堂（低频量化策略 43 篇） — 量化课堂 43 篇总览