朴素贝叶斯优化

将待预测的特征值作为参数传入并进行筛选，减少概率计算的次数

import numpy as np
from collections import Counter


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_y_1 = {}  # 使用字典方便计算时调用
        # self.p_y_0 = {}

    def train_1(self,a,b):
        # 将元素数量统计，然后计数并返回一个字典，键为元素，值为元素个数。
        count_y = Counter(self.t_data[2])  # 统计y的种类及数量，用于后续计算
        ys = {}  # 使该二维分类器不局限于两种类（y）（不失一般性），接下来先统计y的种类，并计算概率，再切分训练数据
        for y in count_y.keys():
            ys[y] = []
            self.p_y[y] = count_y[y] / len(self.t_data[0])
        # print(self.p_y)
        # print(self.p_y.keys())

        #两个列表，分别存Y=-1的数据和Y=1的数据
        for i in range(len(self.t_data[0])):
            ys[self.t_data[2][i]].append(self.t_data[:, i])
        # print(ys)
        #ys={
        #   -1:[],
        #   1:[]}
        count_x1_y={}
        count_x2_y={}
        p_x1_y={}
        p_x2_y={}
        for item in ys.items():
            count_x1_y[item[0]]=0
            count_x2_y[item[0]] = 0
            for elms in item[1]:
                # print(len(item[1]))
                if elms[0]==a:
                    count_x1_y[item[0]]+=1
                if elms[1]==b:
                    count_x2_y[item[0]]+=1
            p_x1_y[item[0]]=count_x1_y[item[0]]/len(item[1])
            p_x2_y[item[0]] = count_x2_y[item[0]] / len(item[1])

        print('self.p_y',self.p_y)
        print('p_x1_y',p_x1_y)
        print('p_x2_y',p_x2_y)
        PF={}
        #概率乘积
        for ps in self.p_y.keys():
            PF[ps]=self.p_y[ps]*p_x1_y[ps]*p_x2_y[ps]
        print('PF',PF)
        print(max(PF,key=PF.get))

if __name__=='__main__':
    a = input('请输入特征1')
    b = input('请输入特征1')
    B = Bayes()
    B.train_1(a, b)