全程不使用sklearn库，编写代码实现朴素贝叶斯算法模型

朴素贝叶斯算法是一种基于贝叶斯定理和特征独立假设的分类算法。它假设每个特征与其他特征相互独立，从而简化了模型。下面是一个实现朴素贝叶斯算法模型的代码示例。

首先，我们需要定义一个朴素贝叶斯分类器的类，其中包括训练和预测方法。

class NaiveBayes:
    def __init__(self):
        self.classes = None
        self.class_prior = None
        self.feature_prob = None

    def train(self, X, y):
        self.classes = np.unique(y)
        n_classes = len(self.classes)

        n_samples, n_features = X.shape
        self.class_prior = np.zeros(n_classes)
        self.feature_prob = np.zeros((n_classes, n_features))

        for i, c in enumerate(self.classes):
            X_c = X[c == y]
            self.class_prior[i] = X_c.shape[0] / n_samples
            self.feature_prob[i] = (X_c.sum(axis=0) + 1) / (np.sum(X_c) + n_features)

    def predict(self, X):
        probs = []
        for i, c in enumerate(self.classes):
            prior = np.log(self.class_prior[i])
            conditional = np.sum(np.log(self.feature_prob[i]) * X, axis=1)
            probs.append(prior + conditional)

        return self.classes[np.argmax(probs, axis=0)]

接下来，我们需要一个用于加载数据的函数。在本例中，我们将使用鸢尾花数据集作为示例数据集。

def load_data():
    iris = datasets.load_iris()
    X = iris.data
    y = iris.target
    return X, y

最后，我们可以使用以下代码来训练和测试我们的朴素贝叶斯分类器。

X, y = load_data()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

nb = NaiveBayes()
nb.train(X_train, y_train)

y_pred = nb.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)

print("Accuracy:", accuracy)

运行结果可能会因为数据集随机划分的结果不同而有所不同，但是通常在80%以上。