用代码实现朴素贝叶斯算法

好的，以下是朴素贝叶斯算法的 Python 代码实现：

import math

class NaiveBayes:
    def __init__(self):
        self.vocab_set = set() # 词汇表
        self.word_count = {}   # 每个类别下每个单词出现的次数
        self.category_count = {}  # 每个类别出现的次数
    
    def fit(self, X_train, y_train):
        # 统计训练集中每个单词在每个类别下的出现次数
        for i in range(len(X_train)):
            category = y_train[i]
            if category not in self.category_count:
                self.category_count[category] = 0
            self.category_count[category] += 1
            
            for word in X_train[i]:
                self.vocab_set.add(word)  # 添加到词汇表
                if category not in self.word_count:
                    self.word_count[category] = {}
                if word not in self.word_count[category]:
                    self.word_count[category][word] = 0
                self.word_count[category][word] += 1
        
    def predict(self, X_test):
        # 计算每个类别的概率
        categories = list(self.category_count.keys())
        word_num_total = sum(map(len, self.word_count.values()))
        p_category = {}
        for category in categories:
            p_category[category] = math.log(self.category_count[category] / len(X_train))
        
        # 对每个文本进行分类
        results = []
        for text in X_test:
            max_prob = float('-inf')
            best_category = None
            for category in categories:
                # 计算 P(Category|Text) = P(Text|Category) * P(Category) / P(Text)
                p_text_category = 0
                for word in text:
                    if word in self.word_count[category]:
                        count = self.word_count[category][word]
                    else:
                        count = 0
                    p_text_category += math.log((count + 1) / (len(self.word_count[category]) + word_num_total))
                
                p = p_category[category] + p_text_category
                if p > max_prob:
                    max_prob = p
                    best_category = category
            results.append(best_category)
        return results

其中，朴素贝叶斯模型分为两个步骤：训练和预测。fit() 方法用于训练模型，输入的参数为训练集 X_train 和对应的标签 y_train，其中 X_train 是一个二维列表，每个元素是一个文本对应的词汇列表；y_train 是一个一维列表，每个元素是 X_train 中相应文本的类别。
predict() 方法用于预测文本的类别，输入的参数为待预测的文本 X_test，其中 X_test 也是一个二维列表，每个元素是一个待预测文本对应的词汇列表。其返回一个一维列表，每个元素是 X_test 中相应文本的预测结果。