朴素贝叶斯算法实现

原创

于 2022-11-21 19:00:42 发布 · 728 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #python #pycharm

本文介绍了朴素贝叶斯算法的原理及其简化假设，详细阐述了算法的实现步骤，包括创建Beyes类，计算条件概率，以及如何对测试数据进行分类和评估准确率。

朴素贝叶斯，名字中的朴素二字就代表着该算法对概率事件做了很大的简化，简化内容就是各个要素之间是相互独立的。

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
        self.train_target_list = []
        self.p_train_target = {}
        self.split_data_lis = []
        self.feature_p_lis = []
        self.predict = []        

    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