机器学习：朴素贝叶斯代码实现（不调库，基于《统计学习方法》中的简单数据）

什么是朴素贝叶斯：

1. 《统计学习方法》中，李航老师简洁地介绍了朴素贝叶斯基础的原理和算法
   虽然通篇下来也是满满的公式，但基本都是上层的公式，省略了许多底层的推导
   例如：极大似然估计法推出朴素贝叶斯法中的先验概率估计公式？
   总的来说对新手十分友好，建议入门之选。

2. “朴素”一词，到底是何意思？
   在贝叶斯公式的基础上，朴素贝叶斯方法做了一个强假设，对于一个结果的发生（y）
   导致其发生的因素为x ( x = (x1, x2, …, xn)), 我们认为其中x1,…,xn是n个互相独立的小事件
   也就是每一个都对y的发生有影响，但他们之间却相互无影响。
   

贝叶斯估计 和 极大似然估计：

对于大多数初学者，基本都会对贝叶斯产生理解上的困惑

• 这里放一篇文章，从数学角度详细解释了两者的原理：贝叶斯估计、最大似然估计、最大后验概率估计

如果你觉得又臭又长不想看，我简单通俗说明一下他们之间思想的不同之处：

• 首先你要明白，朴素贝叶斯法 和 贝叶斯估计 是两个不同的东西
  贝叶斯估计 和 极大似然估计 都是 朴素贝叶斯法 中用来计算先验概率的方法
  极大似然估计：简单来说就是中学阶段接触的简单概率，一枚硬币抛100次，40次向上，我们就认为此硬币抛出向上的概率为2/5，因为这个概率是最支持当前结果的（极大似然的核心思想），于是你可以发现，极大似然法得到的参数是完全被数据所支配的。而概率这种东西，总是会有偏差的。
  下图是极大似然估计的先验概率
  
  贝叶斯估计：如之前所说，任何数据集，总是带有片面性的，不全面的。所以最终参数总是存在偏差的，不能把最支持对当前结果的模型作为当前事件的概率模型，于是贝叶斯估计中认为参数是变化的而不是固定的。回忆一下贝叶斯公式，它是用来计算后验概率的，也就是已知结果求其导致原因的概率。该公式的结果取决于两方面：似然估计和先验概率。正是如此，我们最终的估计结果才更加客观合理地反映模型的参数。对于上面抛硬币的例子，贝叶斯估计的概率也或许就变成是（2 + N）/ （5 + M）
  下图是贝叶斯估计的先验概率
  

---

代码实现：（使用极大似然估计）

对于以下数据的简单代码实现，但不仅限于此数据，扩展以下数据，使其变成多分类，增大数据量，依然可以用本代码来进行预测。

分步解析

1. 数据量比较小，就直接手动输入了，用字典来存储先验概率，便于后续计算时的调用

class Bayes:
    def __init__(self):
        self.t_data = np.array([[1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 3, 3, 3, 3, 3],
                                ['S', 'M', 'M', 'S', 'S', 'S', 'M', 'M', 'L', 'L', 'L', 'M', 'M', 'L', 'L'],
                                [-1, -1, 1, 1, -1, -1, -1, 1, 1, 1, 1, 1, 1, 1, -1]])
        self.p_y = {
   }
        self.p_x1_y = {
   }  
        self.p_x2_y = {
   }

2. 统计y的种类及数量，用于后续计算
   使该二维分类器不局限于两种类（y），接下来先统计y的种类，并计算P(Y=c)的先验概率，再切分训练数据
   计算先验概率并对应y值存入字典，然后根据不同的y切分数据，各自存入一个列表，这些列表存于字典ys

   
    def train_1(self):
        count_y = Counter(