不调用sklearn

如果你不想使用scikit-learn库来实现朴素贝叶斯，你可以手动编写一些基础的概率计算和分类逻辑。例如，我们可以创建一个简单的朴素贝叶斯分类器，仅依赖于Python的内置模块。这里以二分类为例，假设我们有一个训练集，其中每个样本由两个特征表示：

import numpy as np

class NaiveBayesClassifier:
    def __init__(self):
        self.class_priors = None
        self.feature_probs = {}

    def fit(self, X, y):
        self.class_priors = np.bincount(y) / len(y)
        for class_val in np.unique(y):
            feature_probs = (X[y == class_val] != 0).sum(axis=0) / np.sum(X[y == class_val], axis=0)
            self.feature_probs[class_val] = feature_probs

    def predict(self, X):
        predictions = []
        for x in X:
            posterior_class_probs = [np.log(prior * product(feature_prob)) for prior, feature_prob in zip(self.class_priors, self.feature_probs.values())]
            max_posterior = np.argmax(posterior_class_probs)
            predictions.append(max_posterior)
        return predictions

# 使用示例
X = ...  # 样本特征矩阵
y = ...  # 标签列表
model = NaiveBayesClassifier()
model.fit(X, y)
predictions = model.predict(X_test)

这个简单的朴素贝叶斯分类器通过计算给定类别下每个性质出现的概率以及先验概率来进行预测。