Flink ML Naive Bayes 多分类朴素贝叶斯

1. 输入列与输出列

输入列（Input Columns）

输出列（Output Columns）

2. 参数（Parameters）详解

2.1 NaiveBayesModel（预测侧）参数

2.2 NaiveBayes（训练侧）额外参数

smoothing 是干什么的？

在 multinomial 朴素贝叶斯里，经常会遇到某类样本中某个特征从未出现过的情况，这会导致该条件概率为 0，从而让整个后验概率变成 0。
smoothing的作用就是避免这种“零概率”问题，让模型更稳健。

工程上：

• 1.0是最常见的默认选择
• 数据稀疏、类别较多时，适当提高 smoothing 往往更稳定

3. Java 示例代码解读

你贴的示例逻辑非常标准，分四步：

1）构造训练数据（features, label）
2）构造预测数据（features）
3）创建 NaiveBayes 并设置参数
4）fit 训练模型 → transform 预测 → collect 打印结果

3.1 训练数据

DataStream<Row>trainStream=env.fromElements(Row.of(Vectors.dense(0,0.),11),Row.of(Vectors.dense(1,0),10),Row.of(Vectors.dense(1,1.),10));TabletrainTable=tEnv.fromDataStream(trainStream).as("features","label");

这里的标签是10和11（多分类不一定要从 0 开始），特征向量是 2 维。

3.2 预测数据

DataStream<Row>predictStream=env.fromElements(Row.of(Vectors.dense(0,1.)),Row.of(Vectors.dense(0,0.)),Row.of(Vectors.dense(1,0)),Row.of(Vectors.dense(1,1.)));TablepredictTable=tEnv.fromDataStream(predictStream).as("features");

预测表只有 features 列，符合朴素贝叶斯的推理输入。

3.3 创建与训练

NaiveBayesnaiveBayes=newNaiveBayes().setSmoothing(1.0).setFeaturesCol("features").setLabelCol("label").setPredictionCol("prediction").setModelType("multinomial");NaiveBayesModelnaiveBayesModel=naiveBayes.fit(trainTable);

3.4 预测输出

TableoutputTable=naiveBayesModel.transform(predictTable)[0];

输出表会新增prediction列。

4. 一个小坑：prediction 类型读取

文档定义predictionCol是Integer，但示例中用：

doublepredictionResult=(Double)row.getField(naiveBayes.getPredictionCol());

这容易让人误会 prediction 是 Double。更稳的写法是按 Integer 读取：

Integerprediction=(Integer)row.getField(naiveBayes.getPredictionCol());

建议你在工程里把 label 与 prediction 都保持 Integer 类型，减少类型转换问题。

5. multinomial 朴素贝叶斯的“工程适配”建议

1）multinomial 更适合“计数/频次类特征”

multinomial Naive Bayes 常见于：

• 词袋计数（word counts）
• TF/TF-IDF（有时也用，但严格上更像连续值，需要注意分布假设）
• 事件次数、出现频次等离散统计特征

如果你的 features 是非常连续的实数（如温度、金额、时长），multinomial 的假设可能不够贴合，效果未必好。此时你可以考虑：

• 先做分桶（binning）
• 或选择 Logistic Regression / LinearSVC 等线性模型

2）特征必须非负更稳

multinomial 模型通常假设特征类似“出现次数/频次”，因此：

• 负数特征会让概率解释变得很奇怪
• 工程上建议保证 features >= 0（或做平移/分桶）

3）smoothing 的调参思路

• 类别多、数据稀疏：smoothing 可以适当大一些
• 数据充足：smoothing=1.0 往往足够

6. 总结

Flink ML 的 Naive Bayes 非常适合做多分类 baseline，尤其在文本/稀疏特征场景下优势明显：

• 输入：features(Vector)+label(Integer)
• 输出：prediction(Integer)
• 关键参数：modelType=multinomial、smoothing平滑避免零概率
• 用法：fit()训练 →transform()预测，完全遵循 Flink ML 的 Table API 体系