python代码实现朴素贝叶斯

朴素贝叶斯是一种基于贝叶斯定理的分类算法，常用于文本分类、垃圾邮件过滤等领域。以下是一个简单的 Python 代码实现朴素贝叶斯分类器的示例：

import numpy as np

class NaiveBayes:
    def __init__(self):
        self.prior = None
        self.conditional = None

    def fit(self, X, y):
        n_samples, n_features = X.shape
        self.classes = np.unique(y)
        n_classes = len(self.classes)

        # 计算先验概率
        self.prior = np.zeros(n_classes)
        for i, c in enumerate(self.classes):
            self.prior[i] = np.sum(y == c) / n_samples

        # 计算条件概率
        self.conditional = np.zeros((n_classes, n_features))
        for i, c in enumerate(self.classes):
            X_c = X[y == c]
            self.conditional[i, :] = (X_c.sum(axis=0) + 1) / (np.sum(X_c) + n_features)

    def predict(self, X):
        y_pred = []
        for x in X:
            posteriors = []
            for i, c in enumerate(self.classes):
                prior = np.log(self.prior[i])
                conditional = np.sum(np.log(self.conditional[i, :]) * x)
                posterior = prior + conditional
                posteriors.append(posterior)
            y_pred.append(self.classes[np.argmax(posteriors)])
        return y_pred

以上代码实现了一个简单的朴素贝叶斯分类器，其中 `fit` 方法用于训练模型，`predict` 方法用于预测新样本的类别。具体实现过程中，先计算先验概率和条件概率，然后利用贝叶斯公式计算后验概率，最终选择后验概率最大的类别作为预测结果。