贝叶斯算法及其应用案例

贝叶斯分类算法：
贝叶斯分类是统计学的一种分类算法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Naïve Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美。
缺陷：
与其本身的设定有关,由于贝叶斯假设一个属性值对给定类的影响独立于其它属性的值，但是该假设在实际情况中经常是不成立的，因此其分类准确率可能会下降。升级版:降低独立性假设的贝叶斯分类算法，如TAN(tree augmented Bayes network)算法。
朴素贝叶斯分类的正式定义如下：
1．设 x={a1,a2,…,am}为一个待分类项，而每个 a 为 x 的一个特征属性。
2．有类别集合 C={y1,y2,…,yn}。
3．计算 P( y1|x) ,P( y2|x),…, P( yn|x)。
4．如果 P( yk|x) =max{P( y1|x),P( y2|x),…, P( yn|x)}，则 x∈yk。
贝叶斯算法如下：

#贝叶斯算法实现
#建立一个类
import numpy as np
class Bayes:
    def _init_(self):
        self.length=-1
        self.labelcount=dict()
        self.vectorcount=dict()
    def fit(self,dataSet:list,labels:list):
        if(len(dataSet)!=len(labels)):
            raise ValueError("您输入的测试数组跟类别数组长度不一致")
        self.length=len(dataSet[0]) 
        #测试数据特征值的长度
        labelsnum=len(labels)   
        #类别所有的数量
        norlabels=set(labels) 
        #不重复类别的数量
        for item in norlabels:
            thislabel=item
            labelcount[thislabel]=labels.count(thislabel)/labelsnum  
            #当前类别占总类别的比例
        for vector,label in zip(dataSet,labels):   
        #将两变量整合到一起
            if(label not in vectorcount):
                self.vectorcount[label]=[]
            self.vectorcount[label].append(vector)
        print("训练结束")