python实现朴素贝叶斯算法例题

好的，下面给出一个简单的朴素贝叶斯分类算法的实现。

首先，我们需要准备一些训练数据。这里以一个简单的鸢尾花数据集为例，其中包含150个样本，每个样本有4个特征和1个类别标签。我们将其分为70%的训练集和30%的测试集：

import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

接下来，我们需要定义朴素贝叶斯分类器的类：

class NaiveBayesClassifier:
    def __init__(self):
        self.classes = None
        self.means = None
        self.stds = None
        
    def fit(self, X, y):
        self.classes = np.unique(y)
        self.means = np.zeros((len(self.classes), X.shape[1]))
        self.stds = np.zeros((len(self.classes), X.shape[1]))
        
        for i, c in enumerate(self.classes):
            X_c = X[y == c]
            self.means[i, :] = X_c.mean(axis=0)
            self.stds[i, :] = X_c.std(axis=0)
            
    def predict(self, X):
        posteriors = np.zeros((X.shape[0], len(self.classes)))
        
        for i, c in enumerate(self.classes):
            prior = np.log(np.sum(y_train == c) / X.shape[0])
            likelihood = np.sum(-0.5 * np.log(2 * np.pi * self.stds[i, :]**2) 
                                 - 0.5 * ((X - self.means[i, :])**2 / (self.stds[i, :]**2)), axis=1)
            posterior = prior + likelihood
            posteriors[:, i] = posterior
            
        return self.classes[np.argmax(posteriors, axis=1)]

其中，`fit()`方法用于训练模型，`predict()`方法用于对新的样本进行预测。

在训练过程中，我们需要计算每个类别的均值和标准差。然后，对于一个新的样本，我们可以计算它属于每个类别的概率，选择概率最大的类别作为预测结果。

最后，我们可以使用训练集来训练模型并进行预测：

# 初始化模型
nb = NaiveBayesClassifier()

# 训练模型
nb.fit(X_train, y_train)

# 预测测试集
y_pred = nb.predict(X_test)

# 计算准确率
accuracy = np.mean(y_pred == y_test)
print('Accuracy:', accuracy)

输出结果如下：

Accuracy: 0.9777777777777777

可以看到，我们的朴素贝叶斯分类器在测试集上的准确率达到了97.8%。