使用Python实现贝叶斯分类器-------文章中有源码

一、实验目的
使用Python实现贝叶斯分类器。

二、实验原理
算法原理
假设y 的取值有y1,y2……yn.
x的特征有x1,x2 ……xm.
则朴素贝叶斯及当x={x1i, x2i, ……xmi}时比较y取值概率的大小。
即max（p(y|{x1i, x2i, ……xmi})）
而p(y|{x1i, x2i, ……xmi}) = p(y{x1i, x2i, ……xmi})/p({x1i, x2i, ……xmi})
=p({x1i, x2i, ……xmi}|y)p(y)/p({x1i, x2i, ……xmi})
而各个x相互独立，（类似于有放回）
则原式=p(x1i|y)p(x2i|y)……*p(xmi|y)p(y)/p({x1i, x2i, ……xmi})
各式都将除以p({x1i, x2i, ……xmi})
因此即比较max(p({x1i, x2i, ……xmi}|y)p(y))

三、Python包
（1）numpy

四、实验内容
数据如下，x1, x2 为特征，y为标签
预测当x=[2, S]T时，y的取值。

代码：

import numpy as np


def getData():
    x = [[1, 'S'], [1, 'M'], [1, 'M'], [1, 'S'], [1, 'S'],
         [2, 'S'], [2, 'M'], [2, 'M'], [2, 'L'], [2, 'L'],
         [3, 'L'], [3, 'M'], [3, 'M'], [3, 'L'], [3, 'L']]
    y = [-1, -1, 1, 1, -1, -1, -1, 1, 1, 1, 1, 1, 1, 1, -1]
    return np.array(x), np.array(y)


def Bayes(x, y, x1, x2):
    Y = list(set(y))
    a, a1, b, b1, c, c1 = 0,0,0,0,0,0
    for i in range(15):
        if y[i] == Y[0]:  # Y[0]=1
            c += 1
            if x[i][0] == x1:  # x1=X[0]=2
                a += 1
            if x[i][1] == x2:  # x2=X[1]=S
                a1 += 1
        if y[i] == Y[1]:  # Y[1]=-1
            c1 += 1
            if x[i][0] == x1:
                b += 1
            if x[i][1] == x2:
                b1 += 1
    P1 = (c / len(y)) * (a / c) * (a1 / c)
    P2 = (c1 / len(y)) * (b / c1) * (b1 / c1)
    if P1 > P2:
        return Y[0]
    if P1 < P2:
        return Y[1]


if __name__ == '__main__':
    x, y = getData()
    X = ['2', 'S']
    print(X)
    result = Bayes(x, y, X[0], X[1])
    print( result)

截图：