「这是我参与2022首次更文挑战的第28天，活动详情查看：2022首次更文挑战」。

在前面的6篇文章中，我们以及了解了 7 中不同的可解释机器学习模型，这篇文章将解释介绍这一系列的最后一种可解释机器学习模型：朴素贝叶斯分类器。

贝叶斯定理

在概率论里，贝叶斯定理称得上是大名鼎鼎的定理。朴素贝叶斯分类器就是使用条件概率的贝叶斯定理。

我们先简单复习一下贝叶斯定理：

• 先验概率：通过经验来判断事情发生的概率
• 后验概率：发生结果之后，推测原因的概率
• 条件概率：事件 $B$ 在另外一个事件 $A$ 已经发生条件下的发生概率，表示为 $P(B|A)$

实际上，贝叶斯定理就是求解后验概率：

朴素贝叶斯分类器

对于每个特征，朴素贝叶斯分类器根据特征的值计算一个类的概率。朴素贝叶斯分类器独立计算每个特征的类概率，这相当于特征条件独立的强（朴素）假设。

朴素贝叶斯是一个条件概率模型，它对类 $C_k$ 的概率建模如下：

其中，$Z$ 是一个缩放参数，可确保所有类的概率总和为 1（否则它们就不是概率）。类的条件概率是类概率乘以给定类的每个特征的概率，用 $Z$ 归一化。

这个公式可以通过使用贝叶斯定理推导出来。

解释

由于独立性假设，朴素贝叶斯是一个可解释的模型。

它可以在模块化级别进行解释。每个特征对某个类别预测的贡献可以用条件概率解释。

小结

在 可解释机器学习 系列的前 7 篇文章中，我们了解了 8 种可解释机器学习模型：

1. 线性回归模型
2. 逻辑回归模型
3. 广义线性模型 (GLM)
4. 广义加性模型 (GAM)
5. 决策树
6. 决策规则
7. RuleFit 算法
8. 朴素贝叶斯分类器

可解释机器学习模型系列至此告一段落。

除了可解释机器学习模型，可解释机器学习中，还有一些模型无关的解释方法。对于近年来热门的神经网络，也有许多关于其可解释性的研究。