朴素贝叶斯分类器python

以下是一个简单的朴素贝叶斯分类器的Python实现：

import numpy as np

class NaiveBayes:
    def fit(self, X, y):
        self.classes = np.unique(y)
        self.num_classes = len(self.classes)
        
        # 计算每个类别的先验概率
        self.priors = np.zeros(self.num_classes)
        for i in range(self.num_classes):
            self.priors[i] = np.sum(y == self.classes[i]) / float(len(y))
        
        # 计算每个特征在每个类别下的条件概率
        self.means = np.zeros((self.num_classes, X.shape[1]))
        self.stds = np.zeros((self.num_classes, X.shape[1]))
        for i in range(self.num_classes):
            X_class = X[y == self.classes[i]]
            self.means[i,:] = X_class.mean(axis=0)
            self.stds[i,:] = X_class.std(axis=0)
            
    def predict(self, X):
        posteriors = np.zeros((X.shape[0], self.num_classes))
        for i in range(self.num_classes):
            prior = np.log(self.priors[i])
            posterior = np.sum(np.log(self.normal_pdf(X, self.means[i,:], self.stds[i,:])), axis=1)
            posteriors[:,i] = posterior + prior
        
        return self.classes[np.argmax(posteriors, axis=1)]
    
    def normal_pdf(self, X, mean, std):
        var = std ** 2
        denom = (2 * np.pi * var)**.5
        num = np.exp(-(X - mean)**2 / (2 * var))
        return num / denom

这个朴素贝叶斯分类器实现了`fit()`和`predict()`方法。`fit()`方法计算每个类别的先验概率和每个特征在每个类别下的条件概率。`predict()`方法使用贝叶斯公式计算每个类别的后验概率，并返回概率最大的类别。

这个朴素贝叶斯分类器假设所有特征都是独立的，因此称为“朴素”的。这种假设在实际情况中可能不成立，但是这个分类器仍然可以产生良好的结果。