import numpy as np
def load_data(filepath):
''':arg filepath filepath是資料的路徑
:fun 載入資料：1,青綠,蜷縮,濁響,清晰,凹陷,硬滑,0.697,0.46,是
:return 載入後的資料
'''file_object = open(filepath, encoding='utf-8')
train_data =
file_object.readline()
while 1:
data = file_object.readline()
if not data:
break
else:
file_object.close()
test =
for s in train_data:
return test
def count_labels(data):
''':param data:資料集
:return: 返回好瓜和壞瓜的數目
'''yes = 0
no = 0
for s in range(data.__len__()):
if data[s][-1] == '是':
yes += 1
else:
no += 1
return yes, no
def handle_one_data(data, attr, location, yes, no):
''':param data: 資料集
:param attr: 要傳入的屬性
:param location: 傳入屬性的位置
:param yes: 好瓜數量
:param no: 壞瓜數量
:return: 返回該屬性在好瓜或者是壞瓜的前提下的概率
'''attr_y, attr_n = 0, 0
for s in range(data.__len__()):
if data[s][-1] == '是':
if data[s][location] == attr:
attr_y += 1
else:
if data[s][location] == attr:
attr_n += 1
return attr_y / yes, attr_n / no
def handle_data(data):
''':param data: 資料集
:return: 對密度和含糖率的均值和標準差
'''midu_y =
tiandu_y =
midu_n =
tiandu_n =
for s in range(data.__len__()):
if data[s][-1] == '是':
else:
m_midu_y = np.mean(midu_y)
m_midu_n = np.mean(midu_n)
t_tiandu_y = np.mean(tiandu_y)
t_tiandu_n = np.mean(tiandu_n)
std_midu_y = np.std(midu_y)
std_midu_n = np.std(midu_n)
std_tiandu_y = np.std(tiandu_y)
std_tiandu_n = np.std(tiandu_n)
return m_midu_y, m_midu_n, t_tiandu_y, t_tiandu_n, std_midu_y, std_midu_n, std_tiandu_y, std_tiandu_n
def show_result(p_yes, p_no):
''':param p_yes: 在好瓜的前提下，測試資料各個屬性的概率
:param p_no: 在是壞瓜的前提下，測試資料的各個屬性的概率
:return: 是好瓜或者是壞瓜
'''p1 = 1.0
p2 = 1.0
for s in range(p_yes.__len__()):
p1 *= np.float(p_yes[s])
p2 *= np.float(p_no[s])
if p1 > p2:
print("好瓜", p1, p2)
else:
print("壞瓜", p1, p2)
def count_attr_dis(data):
''':param data: 資料集
:return: 各個屬性取值的個數
'''count = # 記錄各個屬性的取值有多少個不同
for i in range(data[0].__len__()):
if i == 0 or i == 7 or i == 8: # 去掉編號，密度，甜度這個屬性
continue
d =
for s in range(data.__len__()):
if not d.__contains__(data[s][i]): # 如果讀到的屬性不包含在d裡就加入到d中
return count
if __name__ == '__main__':
filepath = 'd:\\pycharm\\bayes.txt'
data = load_data(filepath)
m_midu_y, m_midu_n, t_tiandu_y, t_tiandu_n, std_midu_y, std_midu_n, std_tiandu_y, std_tiandu_n = handle_data(data)
yes, no = count_labels(data)
p_yes = [yes / (yes + no)]
p_no = [no / (yes + no)]
test_data = ['青綠', '蜷縮', '濁響', '清晰', '凹陷', '硬滑', 0.697, 0.460]
for s in range(6):
s_yes, s_no = handle_one_data(data, test_data[s], s+1, yes, no)
#求西瓜書公式（7.18）
print(p_yes)
print(p_no)
show_result(p_yes, p_no)
# 防止某個屬性的取值個數為0的概率出現，採用拉皮拉斯修正(各個屬性不同取值已經完成如函式count_attr_dis)
print(count_attr_dis(data), '不同屬性取值')
Sklearn實現樸素貝葉斯
sklearn 實現樸素貝葉斯 在scikit learn中，一共有3個樸素貝葉斯的分類演算法類。分別是gaussiannb，multinomialnb和bernoullinb。其中gaussiannb就是先驗為高斯分布的樸素貝葉斯，multinomialnb就是先驗為多項式分布的樸素貝葉斯，而be...
Sklearn實現樸素貝葉斯
sklearn 實現樸素貝葉斯 在scikit learn中，一共有3個樸素貝葉斯的分類演算法類。分別是gaussiannb，multinomialnb和bernoullinb。其中gaussiannb就是先驗為高斯分布的樸素貝葉斯，multinomialnb就是先驗為多項式分布的樸素貝葉斯，而be...
樸素貝葉斯演算法Python實現
coding cp936 樸素貝葉斯分類器的實現 執行 reload docclass c1 docclass.bayes docclass.getwords docclass.sampletrain c1 c1.classify quick rabbit default unknown 構建訓練樣...