Question

我有以下问题：我想要一个因子变量＆＃34;癌症＆＃34; （是或否）使用两个变量＆＃34;性别＆＃34;和＆＃34;年龄组＆＃34;与贝叶斯分类器。这些是我的（虚构的）样本数据：

install.packages("e1071")
install.packages("gmodels")
library(e1071)
library(gmodels)

data<-read.csv("http://www.reduts.net/cancer.csv", sep=";", stringsAsFactors = T)

## Sex and Agegroup ##
######################

# classification 
testset<-data[,c("sex", "agegroup")]
cancer<-data[,"cancer"]
model<-naiveBayes(testset, cancer)
model

# apply model on testset
testset$predicted<-predict(model, testset)
testset$cancer<-cancer

CrossTable(testset$predicted, testset$cancer, prop.chisq=F, prop.r=F,    prop.c=F, prop.t = F)

结果显示，根据我的数据，男性和年轻人更容易患癌症。与真正的癌症分类相比，我的模型在200例中正确地分类了147（= 88 + 59）（73.5％）。

                  | testset$original 
testset$predicted |        no |       yes | Row Total | 
------------------|-----------|-----------|-----------|
               no |        88 |        12 |       100 | 
------------------|-----------|-----------|-----------|
              yes |        54 |        46 |       100 | 
------------------|-----------|-----------|-----------|
     Column Total |       142 |        58 |       200 | 
------------------|-----------|-----------|-----------|

然而，我只使用一个分类变量（性别）来做同样的事情：

## Sex only         ##
######################

# classification 
testset2<-data[,c("sex")]
cancer<-data[,"cancer"]
model2<-naiveBayes(testset2, cancer)
model2

模型如下：

Naive Bayes Classifier for Discrete Predictors

Call:
naiveBayes.default(x = testset2, y = cancer)

A-priori probabilities:
cancer
   no   yes 
0.645 0.355 

Conditional probabilities:
      x
cancer         f         m
   no  0.4573643 0.5426357
   yes 0.5774648 0.4225352

显然，与女性相比，男性更容易患癌症（54％对46％）。

# apply model on testset
testset2$predicted<-predict(model2, testset2)
testset2$cancer<-cancer

CrossTable(testset2$predicted, testset2$cancer, prop.chisq=F, prop.r=F, prop.c=F, prop.t = F)

现在，当我将模型应用于原始数据时，所有案例都归类为同一类：

Total Observations in Table:  200 

                   | testset2$cancer 
testset2$predicted |        no |       yes | Row Total | 
-------------------|-----------|-----------|-----------|
                no |       129 |        71 |       200 | 
-------------------|-----------|-----------|-----------|
      Column Total |       129 |        71 |       200 | 
-------------------|-----------|-----------|-----------|

任何人都可以解释一下，为什么女性和男性都被分配到同一个班级？

Answer 1

你误解了那些输出。当你打印出model2并看到

时

Conditional probabilities:
      x
cancer         f         m
   no  0.4573643 0.5426357
   yes 0.5774648 0.4225352

得出结论是错误的“显然，男性更有可能与女性相比患有癌症（54％对46％）。“

这张表告诉我们的是四个数字

P(female | no cancer)     P(male | no cancer) 
P(female | cancer)        P(male | cancer)

通过查看

的输出很容易看出这一点

table(cancer, testset2)
      testset2
cancer  f  m
   no  59 70
   yes 41 30

来自模型的第一行条件概率可以如下计算： 129人没有癌症。 59/129 = 0.4573643是女性。 70/129 = 0.5426357是男性。所以读第一行的方法是 “鉴于患者没有癌症，他们更多可能是男性（54％对46％）“。

现在问你的问题：任何人都可以解释一下，为什么两个女性和男性被分配到同一个班级？

P(Male | Cancer) * P(Cancer)

两种情况下的分母是相同的，所以如果我们只关心哪个更大，我们可以比较

的大小带有P(Male | No Cancer) * P(No Cancer)

的

P(Male | Cancer) * P(Cancer) = 0.4225352 * 0.355 = 0.15 P(Male | No Cancer) * P(No Cancer) = 0.5426357 * 0.645 = 0.35

这些正好打印模型时报告的数字。

所以，男性

P(Male)

（注意：这些不是真正的概率，因为我们忽略了分母 P(Female | Cancer) * P(Cancer) = 0.5774648 * 0.355 = 0.205 P(Female | No Cancer) * P(No Cancer) = 0.4573643 * 0.645 = 0.295）由于没有癌症的数量较高，我们预测男性无癌症。

同样，对于女性我们计算

P(Female | Cancer) > P(Female | No Cancer)

对于女性来说，我们也预测不会有癌症。强调这一点可能有用计算女性。即使P(Cancer)，这些是按总概率P(No Cancer)和DataGridTemplate加权的总的来说，它更可能没有癌症，而不是癌症更大的开关。 NaïveBayes预测两种性别都没有癌症。

朴素贝叶斯分类与R - 奇怪的结果

1 个答案: