朴素贝叶斯训练并生成MNIST样本python实现

朴素贝叶斯生成新的样本数据，主要是通过训练时计算的先验概率p(y)和似然p(x|y)生成。首先会通过先验概率大小随机生成第c类，然后通过c类的似然概率大小，生成每一维的数据，最后就得到了新的样本。数据集加载方法load_mnist可以自行修改，这里用到了mnist-original.mat文件需要下载后放入当前路径的datasets/mldata下。

from sklearn.datasets import fetch_mldata
from collections import Counter
import numpy as np

#加载MNIST数据集
def load_mnist():
    mnist = fetch_mldata('MNIST original', data_home='./datasets')
    x, y = mnist["data"], mnist["target"]
    x = np.where(x>0, 1, x) #将大于1的数组全部换成1
    X_train, X_test, y_train, y_test = x[:60000], x[60000:], y[:60000], y[60000:]
        
    return X_train, y_train, X_test, y_test

class NaiveBayes():
    prob_c = None #类别为c的先验概率
    prob_cj = None #类别为C，维度为j的似然概率
    y_pred = None #预测结果，类别
    y_pred_prob = None #预测结果，类别概率
    
    #训练模型，计算先验概率和似然概率
    def fit(self, X_train, y_train):
        #计算各类别先验概率 p(y)