在Begin-End部分补充代码。 任务描述：假设给定训练数据集 (X,Y)，其中每个样本 x 都包括 n 维特征，即 x=(x1,x2,x3,…,xn)，类标签集合含有 k 个类别，即 y=(y1,y2,…,yk) 。给定样本 x′ ，使用Python语言编程，求样本 x′ 属于第一个类别的概率 P(x′∣y0) 。 任务1：根据条件独立假设，计算样本 xx 属于第一个类别的概率。提示：numpy.sum(a) 可实现对数组 a 求和；numpy.where(condition, x, y) 满足条件（condition），输出 x，不满足输出 y 。 测试输入： 无 预期输出： 样本 xx = [0,1,0,1,1] 属于类别 0 的概率为： 0.023134412779181757 开始你的任务吧，祝你成功！ # 导入库 import numpy as np # 共 100 个样本，每个样本 x 都包括 5 个特征 np.random.seed(0) x = np.random.randint(0,2,(100, 5)) # 共 100 个样本，每个样本 x 都属于 {0,1} 类别中的一个 np.random.seed(0) y = np.random.randint(0,2,100) # 给定 xx = [0,1,0,1,1] xx = np.array([0,1,0,1,1]) # setx_0 表示属于第一个类别的 x 的集合 setx_0 = x[np.where(y==0)] # 初始化 p_0，p_0 表示 xx 属于类别 0 的概率 p_0 = setx_0.shape[0] / 100 # 任务1：根据条件独立假设，求样本 xx 属于第一个类别的概率 ########## Begin ########## for i in range(5): p_0 = ########## End ########## # 打印结果 print("样本 xx = [0,1,0,1,1] 属于类别 0 的概率为：", p_0)

# 导入库
import numpy as np

# 共 100 个样本，每个样本 x 都包括 5 个特征
np.random.seed(0)
x = np.random.randint(0,2,(100, 5))

# 共 100 个样本，每个样本 x 都属于 {0,1} 类别中的一个
np.random.seed(0)
y = np.random.randint(0,2,100)

# 给定 xx = [0,1,0,1,1]
xx = np.array([0,1,0,1,1])

# setx_0 表示属于第一个类别的 x 的集合
setx_0 = x[np.where(y==0)]

# 初始化 p_0，p_0 表示 xx 属于类别 0 的概率
p_0 = setx_0.shape[0] / 100

# 任务1：根据条件独立假设，求样本 xx 属于第一个类别的概率
########## Begin ##########
for i in range(5):
p_0 *= np.sum(setx_0[:,i]==xx[i]) / setx_0.shape[0]
########## End ##########

# 打印结果
print("样本 xx = [0,1,0,1,1] 属于类别 0 的概率为：", p_0)

相关问题

编程要求 根据提示，在Begin-End部分补充代码。 任务描述：假设给定训练数据集 (X,Y)，其中每个样本 x 都包括 n 维特征，即 x=(x 1 ​ ,x 2 ​ ,x 3 ​ ,…,x n ​ )，类标签集合含有 k 个类别，即 y=(y 1 ​ ,y 2 ​ ,…,y k ​ ) 。给定样本 x′ ，使用Python语言编程，求样本 x′ 属于第一个类别的概率 P(x′∣y 0 ​ ) 。 任务1：根据条件独立假设，计算样本 xx 属于第一个类别的概率。提示：numpy.sum(a) 可实现对数组 a 求和；numpy.where(condition, x, y) 满足条件（condition），输出 x，不满足输出 y 。 测试说明 平台会对你编写的代码进行测试： 测试输入： 无 预期输出： 样本 xx = [0,1,0,1,1] 属于类别 0 的概率为： 0.023134412779181757 开始你的任务吧，祝你成功！ # 导入库 import numpy as np # 共 100 个样本，每个样本 x 都包括 5 个特征 np.random.seed(0) x = np.random.randint(0,2,(100, 5)) # 共 100 个样本，每个样本 x 都属于 {0,1} 类别中的一个 np.random.seed(0) y = np.random.randint(0,2,100) # 给定 xx = [0,1,0,1,1] xx = np.array([0,1,0,1,1]) # setx_0 表示属于第一个类别的 x 的集合 setx_0 = x[np.where(y==0)] # 初始化 p_0，p_0 表示 xx 属于类别 0 的概率 p_0 = setx_0.shape[0] / 100 # 任务1：根据条件独立假设，求样本 xx 属于第一个类别的概率 ########## Begin ########## for i in range(5): p_0 = ########## End ########## # 打印结果 print("样本 xx = [0,1,0,1,1] 属于类别 0 的概率为：", p_0)

任务1的代码如下：

for i in range(5):
    p_0 *= np.sum(setx_0[:, i] == xx[i]) / setx_0.shape[0]

其中 `setx_0[:, i] == xx[i]` 表示第 i 维特征值相同的样本数，除以 `setx_0.shape[0]` 得到条件概率。最后将所有条件概率相乘即为样本 xx 属于第一个类别的概率。

编程要求 根据提示，在Begin-End部分补充代码。 任务描述：假设给定训练数据集 (X,Y)，其中每个样本 x 都包括 n 维特征，即 x=(x1,x2,x3,…,xn)，类标签集合含有 k 个类别，即 y=(y1,y2,…,yk) 。给定样本 x′ ，使用Python语言编程，求样本 x′ 属于第一个类别的概率 P(x′∣y0) 。 任务1：根据条件独立假设，计算样本 xx 属于第一个类别的概率。提示：numpy.sum(a) 可实现对数组 a 求和；numpy.where(condition, x, y) 满足条件（condition），输出 x，不满足输出 y 。 测试说明 平台会对你编写的代码进行测试： 测试输入： 无 预期输出： 样本 xx = [0,1,0,1,1] 属于类别 0 的概率为： 0.023134412779181757 开始你的任务吧，祝你成功！ # 导入库 import numpy as np # 共 100 个样本，每个样本 x 都包括 5 个特征 np.random.seed(0) x = np.random.randint(0,2,(100, 5)) # 共 100 个样本，每个样本 x 都属于 {0,1} 类别中的一个 np.random.seed(0) y = np.random.randint(0,2,100) # 给定 xx = [0,1,0,1,1] xx = np.array([0,1,0,1,1]) # setx_0 表示属于第一个类别的 x 的集合 setx_0 = x[np.where(y==0)] # 初始化 p_0，p_0 表示 xx 属于类别 0 的概率 p_0 = setx_0.shape[0] / 100 # 任务1：根据条件独立假设，求样本 xx 属于第一个类别的概率 ########## Begin ########## for i in range(5): p_0 = ########## End ########## # 打印结果 print("样本 xx = [0,1,0,1,1] 属于类别 0 的概率为：", p_0)

任务1的代码如下：

for i in range(5):
    p_0 *= np.sum(setx_0[:, i] == xx[i]) / setx_0.shape[0]

其中 `setx_0[:, i] == xx[i]` 表示第 i 维特征值相同的样本数，除以 `setx_0.shape[0]` 得到条件概率。最后将所有条件概率相乘即为样本 xx 属于第一个类别的概率。