实现朴素贝叶斯分类算法代码

好的，下面是一个简单的朴素贝叶斯分类算法的 Python 代码：

import math

class NaiveBayes:
    def __init__(self):
        self.classes = {}
        self.word_probs = {}

    def train(self, data):
        # 计算每个类别的出现次数
        for d in data:
            c = d[1]
            if c not in self.classes:
                self.classes[c] = 0
            self.classes[c] += 1

        # 统计每个单词在每个类别中出现的次数
        counts = {}
        for d in data:
            c, text = d
            if c not in counts:
                counts[c] = {}
            for word in text.split():
                if word not in counts[c]:
                    counts[c][word] = 0
                counts[c][word] += 1

        # 计算每个单词在每个类别中出现的概率
        for c in counts:
            self.word_probs[c] = {}
            total_words = sum(counts[c].values())
            for word in counts[c]:
                self.word_probs[c][word] = math.log(counts[c][word] / total_words)

    def classify(self, text):
        # 计算每个类别的概率
        probs = {}
        for c in self.classes:
            probs[c] = math.log(self.classes[c] / sum(self.classes.values()))

            # 计算每个单词在该类别中出现的概率
            for word in text.split():
                if word in self.word_probs[c]:
                    probs[c] += self.word_probs[c][word]

        # 返回概率最大的类别
        return max(probs, key=probs.get)

这个代码实现了一个简单的朴素贝叶斯分类器，它可以用于文本分类任务。`train()` 方法用于训练模型，接受一个列表，列表中的每个元素是一个元组，元组的第一个元素是文本内容，第二个元素是该文本所属的类别。`classify()` 方法用于对新的文本进行分类，接受一个字符串作为输入，返回一个字符串，表示该文本所属的类别。