suavizado de Laplace a Biopython
-
25-09-2019 - |
Pregunta
Estoy tratando de añadir soporte de suavizado de Laplace a Naive Bayes código de Biopython 1 para mi proyecto de Bioinformática.
He leído muchos documentos sobre el algoritmo Bayes naive y suavizado de Laplace y creo que me dio la idea básica, pero simplemente no puedo integrar este con ese código (en realidad no puedo ver qué parte voy a añadir al menos 1 cantidad -laplacian).
No estoy familiarizado con Python y yo soy un programador novato. Agradezco si alguien familiarizado con Biopython me puede dar algunas sugerencias.
Solución
Trate de usar esta definición del método _contents()
lugar:
def _contents(items, laplace=False):
# count occurrences of values
counts = {}
for item in items:
counts[item] = counts.get(item,0) + 1.0
# normalize
for k in counts:
if laplace:
counts[k] += 1.0
counts[k] /= (len(items)+len(counts))
else:
counts[k] /= len(items)
return counts
A continuación, cambiar la llamada en Line 194
en:
# Estimate P(value|class,dim)
nb.p_conditional[i][j] = _contents(values, True)
El uso True
para activar el suavizado y False
para desactivarla.
He aquí una comparación de la salida con / sin el suavizado:
# without
>>> carmodel.p_conditional
[[{'Red': 0.40000000000000002, 'Yellow': 0.59999999999999998},
{'SUV': 0.59999999999999998, 'Sports': 0.40000000000000002},
{'Domestic': 0.59999999999999998, 'Imported': 0.40000000000000002}],
[{'Red': 0.59999999999999998, 'Yellow': 0.40000000000000002},
{'SUV': 0.20000000000000001, 'Sports': 0.80000000000000004},
{'Domestic': 0.40000000000000002, 'Imported': 0.59999999999999998}]]
# with
>>> carmodel.p_conditional
[[{'Red': 0.42857142857142855, 'Yellow': 0.5714285714285714},
{'SUV': 0.5714285714285714, 'Sports': 0.42857142857142855},
{'Domestic': 0.5714285714285714, 'Imported': 0.42857142857142855}],
[{'Red': 0.5714285714285714, 'Yellow': 0.42857142857142855},
{'SUV': 0.2857142857142857, 'Sports': 0.7142857142857143},
{'Domestic': 0.42857142857142855, 'Imported': 0.5714285714285714}]]
Además de lo anterior, creo que podría ser un error con el código:
El código divide los casos según su clase, y luego para cada clase, y dando a cada dimensión, cuenta cuántas veces cada uno de esta dimensión aparecen valores.
El problema es que si para un subconjunto de las instancias que pertenecen a una clase, ocurre que no todos los valores de una dimensión aparecen en ese subconjunto, a continuación, cuando la función _contents()
se llama, no va a ver todos los valores posibles, y por lo tanto devolverá las probabilidades equivocadas ...
creo que necesita para mantener un registro de todos los valores únicos para cada dimensión (de todo el conjunto de datos), y tomar esto en consideración durante el proceso de conteo.