python写一个贝叶斯模型

好的，下面是一个简单的贝叶斯模型的 Python 代码示例：

import numpy as np

class NaiveBayes:
    def __init__(self):
        self.classes = None
        self.class_priors = None
        self.conditional_probs = None
        
    def fit(self, X, y):
        self.classes = np.unique(y)
        self.class_priors = np.zeros(len(self.classes))
        self.conditional_probs = {}
        
        # 计算先验概率
        for c in self.classes:
            self.class_priors[c] = np.mean(y == c)
            
        # 计算条件概率
        for c in self.classes:
            X_c = X[y == c]
            self.conditional_probs[c] = {}
            for i in range(X.shape[1]):
                self.conditional_probs[c][i] = {}
                for val in np.unique(X[:, i]):
                    self.conditional_probs[c][i][val] = np.mean(X_c[:, i] == val)
        
    def predict(self, X):
        y_pred = np.zeros(X.shape[0])
        for i, x in enumerate(X):
            posteriors = []
            for c in self.classes:
                prior = np.log(self.class_priors[c])
                posterior = prior
                for j, val in enumerate(x):
                    likelihood = np.log(self.conditional_probs[c][j][val])
                    posterior += likelihood
                posteriors.append(posterior)
            y_pred[i] = self.classes[np.argmax(posteriors)]
        return y_pred

这是一个简单的朴素贝叶斯分类器实现。其中，fit() 方法用于训练模型，predict() 方法用于预测新数据。在 fit() 方法中，我们计算了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。在 predict() 方法中，我们使用计算出来的先验概率和条件概率来计算每个类别的后验概率，并选择具有最高后验概率的类别作为预测结果。