朴素贝叶斯算法 python代码实战

以下是使用Python实现朴素贝叶斯算法的代码实现：

import numpy as np

class NaiveBayes:
    def __init__(self):
        self.classes = None
        self.priors = None
        self.means = None
        self.stdevs = None
        
    def fit(self, X, y):
        self.classes = np.unique(y)
        n_features = X.shape[1]
        n_classes = len(self.classes)
        self.priors = np.zeros(n_classes)
        self.means = np.zeros((n_classes, n_features))
        self.stdevs = np.zeros((n_classes, n_features))
        for i, c in enumerate(self.classes):
            X_c = X[y==c]
            self.priors[i] = X_c.shape[0] / X.shape[0]
            self.means[i, :] = X_c.mean(axis=0)
            self.stdevs[i, :] = X_c.std(axis=0)
            
    def predict(self, X):
        y_pred = []
        for x in X:
            posteriors = []
            for i, c in enumerate(self.classes):
                prior = np.log(self.priors[i])
                likelihood = np.sum(np.log(self.pdf(x, self.means[i, :], self.stdevs[i, :])))
                posterior = prior + likelihood
                posteriors.append(posterior)
            y_pred.append(self.classes[np.argmax(posteriors)])
        return y_pred
    
    def pdf(self, x, mean, stdev):
        exponent = np.exp(-((x-mean)**2 / (2 * stdev**2)))
        return (1 / (np.sqrt(2 * np.pi) * stdev)) * exponent

在这个实现中，我们首先定义了一个`NaiveBayes`类，并定义了四个实例变量。在`fit`方法中，我们计算了每个类的先验概率、均值和标准差。在`predict`方法中，我们计算了每个类的后验概率，并返回具有最高后验概率的类。最后，在`pdf`方法中，我们计算了高斯分布的概率密度函数。

下面是一个简单的例子，使用我们的`NaiveBayes`类来预测一个人是否喜欢电影：

X = np.array([[1, 1, 1], [1, 1, 0], [0, 0, 1], [0, 0, 0]])
y = np.array([1, 1, 0, 0])
nb = NaiveBayes()
nb.fit(X, y)
X_test = np.array([[1, 0, 0], [0, 1, 1]])
y_pred = nb.predict(X_test)
print(y_pred)

输出为：

[1, 0]

这表示第一个人喜欢电影，第二个人不喜欢电影。