37、机器学习中的非朴素贝叶斯分类与面部检测应用

机器学习中的非朴素贝叶斯分类与面部检测应用

非朴素贝叶斯分类

核密度可视化与非朴素贝叶斯概念

在物种分布的可视化中，核密度表示法相较于简单的散点图，能更清晰地呈现两种物种观测数据的地理分布。接下来我们将介绍基于核密度估计（KDE）的贝叶斯生成分类，展示如何使用Scikit - Learn架构创建自定义估计器。

在朴素贝叶斯分类中，我们为每个类别创建简单的生成模型，使用的是轴对齐的高斯分布。而利用KDE这样的密度估计算法，我们可以去掉“朴素”的元素，为每个类别使用更复杂的生成模型进行相同的分类，这仍然是贝叶斯分类，但不再是朴素的。

生成分类的一般方法

生成分类的一般步骤如下：
1. 按标签分割训练数据。
2. 对每个子集拟合KDE，以获得数据的生成模型。这样可以为任何观测值和标签计算似然。
3. 根据训练集中每个类别的样本数量，计算类先验概率。
4. 对于未知点，计算每个类别的后验概率，后验概率最大的类别即为该点分配的标签。

自定义估计器的实现

以下是在Scikit - Learn框架中实现该算法的代码：

from sklearn.base import BaseEstimator, ClassifierMixin
import numpy as np
from sklearn.neighbors import KernelDensity

class KDEClassifier(BaseEstimator, ClassifierMixin):
    """Bayesi