朴素贝叶斯算法（python 实现）

利用朴素贝叶斯贝叶斯算法实现分类
本文主要通过python构建朴素贝叶斯分类算法：
原理：
贝叶斯公式，

朴素的理解：假设个特征之间相互独立，则上面公式中:

通过此公式，可将未知的条件概率转换为已知条件概率的计算
实现步骤：
1，创建Beyes类
2，类中包括四个方法，初始化方法用来创建保存中间计算结果的容器
3，fit 方法用来计算数据长度、计算条件概率所需数据集、
P(X)=∑kP(X|Y=Yk)P(Yk)
计算P(Yk)：p_train_target
4，p_test_data用来计算一个样本的分类结果
5，classifier用来计算测试集所有分类结果
6，score用来计算准确率

import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from collections import Counter
import time


class Beyes(object):
    def __init__(self):
        self.length = -1  # 保存测试集数据量
        self.train_target_list = []  # 目标值类别集合
        self.p_train_target = {
   }  # 保存个目标值概率
        self.split_data_lis = []  # 保存各条件概率对应的数据集
        self.feature_p_lis = []   # 保存特征概率
        self.predict = []         # 保存分类结果

    def fit(self, train_data, train_target):
        """
        P(X)=∑kP(X|Y=Yk)P(Yk)
        计算P(Yk)：p_train_target
        准备计算条件概率所需数据集：self.split_data_lis
        :param train_data:<arr_like>
        :param train_target:<arr_like>
        :return:
        """
        train_length = train_data.shape[0]
        self