朴素贝叶斯的python实现

最新推荐文章于 2024-02-20 10:31:41 发布

原创

最新推荐文章于 2024-02-20 10:31:41 发布 · 423 阅读

收录于

当前文章被以下社区和专栏收录：

本文介绍如何使用Python实现朴素贝叶斯分类，特别是针对离散型变量的分类问题。作者通过UCI数据集上的car数据进行示例，详细代码已给出。对于理论部分，建议查阅相关文章。

之前都在写关于R的一些内容，最近研究朴素贝叶斯比较多，就来更一个python的方法实现朴素贝叶斯吧，更的内容是关于离散型变量的分类，利用UCI数据集上的car数据来做，至于理论部分，请观看我的另一篇文章，>https://blog.csdn.net/heirenmin/article/details/94611260
直接上代码，有什么问题，请在下方留言：

#coding:utf-8
#朴素贝叶斯算法   贝叶斯估计
import pandas as pd
import numpy as np

class NavieBayesB(object):
    
    def getTrainSet(self):
        trainSet = pd.read_csv("C://Users//MrDavid//Data_MS//car.csv")
        trainSetNP = np.array(trainSet)     #由dataframe类型转换为数组类型
        trainData = trainSetNP[:,0:trainSetNP.shape[1]-1]     #训练数据集
        labels = trainSetNP[:,trainSetNP.shape[1]-1]          #训练数据所对应的所属类型Y
        return trainData, labels

    def classify(self, trainData, labels, features):
        labels = list(labels)    #转换为list类型
        #求先验概率
        P_y = {}
        for label in labels:
            P_y[label] = (labels.count(label) ) / float(len(labels) )

        #求条件概率
        P = {}
        for y in P