python实现贝叶斯分类器

好的，以下是一个简单的朴素贝叶斯分类器的 Python 实现：

from collections import defaultdict
import math

class NaiveBayesClassifier:

    def __init__(self):
        self.classes = defaultdict(int)
        self.words_count = defaultdict(lambda: defaultdict(int))

    def train(self, documents, labels):
        for i, doc in enumerate(documents):
            label = labels[i]
            self.classes[label] += 1
            for word in doc.split():
                self.words_count[label][word] += 1

    def predict(self, document):
        scores = defaultdict(int)
        for label in self.classes:
            score = math.log(self.classes[label])
            for word in document.split():
                count = self.words_count[label][word]
                score += math.log((count + 1)/(sum(self.words_count[label].values()) + len(self.words_count[label])))
            scores[label] = score
        return max(scores, key=scores.get)

使用示例：

docs = ["hello world", "goodbye world", "hello"]
labels = ["greeting", "farewell", "greeting"]

nb = NaiveBayesClassifier()
nb.train(docs, labels)

print(nb.predict("hello"))
# 输出：greeting
print(nb.predict("world"))
# 输出：farewell

在这个示例中，我们使用朴素贝叶斯分类器对文本进行分类，分类标签为“greeting”或“farewell”。在训练过程中，我们统计了每个类别的文本中每个单词出现的次数，然后使用这些统计信息进行分类。在预测过程中，我们计算了每个类别的概率得分，并返回得分最高的类别作为分类结果。