朴素贝叶斯算法的代码实例实现（python）
哈贝马斯的公共理性在现代社会对话中的体现 #生活知识# #生活哲学# #哲学与日常生活#
本文由本人原创，仅作为自己的学习记录
数据：假设下面是课程数据，课程数据分为，价格A，课时B，销量C
价格A课时B销量C低多高高中高低少高低中低中中中高多高低少中
现在学校出了一门新的课程，课程价格A=高，课时B=多，需要预测这个课程的销量
这个问题提出了预测之后的结果，而朴素贝叶斯正好可以满足这一点，网上大多是直接调用API进行预测，实际上最好还是自己实现朴素贝叶斯，朴素贝叶斯公式：P（B|A）=P（A|B）P（B）/P（A），而本文中，公式即为，P（C|AB）=P（AB|C）P（C）/P（AB）=P（A|C）P（B|C）P（C）/P（AB），方法就是分别推算出C为低销量，中销量，高销量时候的概率，然后进行比较，反馈出最大的概率为预测的结果
顺便说一句，朴素两个字意思就是说，AB之间相互独立，互不影响，实际上价格和课时是存在一定的关系的，但是朴素贝叶斯把它当做独立来处理，以计算销量的预测的概率。
下面给出我的代码：
#coding=utf-8
from __future__ import division
from numpy import array
def set_data(price,time,sale):
price_number =[]
time_number= []
sale_number =[]
for i in price:
if i=="低":
price_number.append(0)
elif i=="中":
price_number.append(1)
elif i=="高":
price_number.append(2)
for j in time:
if j=="少":
time_number.append(0)
elif j=="中":
time_number.append(1)
elif j=="多":
time_number.append(2)
for k in sale:
if k=="低":
sale_number.append(0)
elif k=="中":
sale_number.append(1)
elif k=="高":
sale_number.append(2)
return price_number,time_number,sale_number
def naive_bs(price_number,time_number,sale_number,expected_price,expected_time):
price_p=[]
time_p=[]
sale_p=[]
m = array(zip(price_number,time_number,sale_number)).T
for i in range(3):
price_p.append(price.count(i)/len(price_number)) #计算各项概率
time_p.append(time.count(i)/len(time_number))
sale_p.append(sale.count(i)/len(sale_number))
advance_sale=[]
p_ex_price = price.count(expected_price)/len(price_number)
p_ex_time = time.count(expected_time)/len(time_number)
low_ex_sale=0
middle_ex_sale=0
high_ex_sale=0
for i in range(0,len(sale_number)):
if sale_number[i]==0:
low_ex_sale=low_ex_sale+1
elif sale_number[i]==1:
middle_ex_sale=middle_ex_sale+1
elif sale_number[i]==2:
high_ex_sale=high_ex_sale+1
#统计p(c)出现的概率
#计算不同情况
aa=0
bb=0
cc=0
for i in range(0,len(price_number)):
if expected_price==price_number[i] and sale_number[i]==0:
aa=aa+1
elif expected_price==price_number[i] and sale_number[i]==1:
bb=bb+1
elif expected_price==price_number[i] and sale_number[i]==2:
cc=cc+1
p_aa = aa/low_ex_sale
p_bb =bb/middle_ex_sale
p_cc = cc/high_ex_sale
print "p(a|c):%s ,%s,%s"%(p_aa,p_bb,p_cc)
aaa=0
bbb=0
ccc=0
for i in range(0,len(time_number)):
if expected_time==time_number[i] and sale_number[i]==0:
aaa=aaa+1
elif expected_time==time_number[i] and sale_number[i]==1:
bbb=bbb+1
elif expected_time==time_number[i] and sale_number[i]==2:
ccc=ccc+1
p_aaa=aaa/low_ex_sale
p_bbb=bbb/middle_ex_sale
p_ccc=ccc/high_ex_sale
print "p(b|c): %s,%s,%s"%(p_aaa,p_bbb,p_ccc)
final_low_p = p_aa*p_aaa*low_ex_sale/len(sale_number)*1000
final_midd_p = p_bb*p_bbb*middle_ex_sale/len(sale_number)*1000
final_high_p = p_cc*p_ccc*high_ex_sale/len(sale_number)*1000
final_list=[final_low_p,final_midd_p,final_high_p]
final_index= final_list.index(max(final_list))
print final_list
if final_index==0:
print "销量预测销量为低"
elif final_index==1:
print "销量预测销量为中"
else:
print "销量预测销量为高"
if __name__=="__main__":
price = ["低","高","低","低","中","高","低"]
time = ["多","中","少","中","中","多","少"]
sale = ["高","高","高","低","中","高","中"]
expected_price="高" #新课程价格高
expected_time="高" #新课程课时多
if expected_price=="低":
expected_price_id=0
elif expected_price=="中":
expected_price_id=1
else:
expected_price_id=2
if expected_time=="少":
expected_time_id=0
elif expected_time=="中":
expected_time_id=1
else:
expected_time_id=2
price_number,time_number,sale_number= set_data(price, time, sale)
print price_number,time_number,sale_number
naive_bs(price_number, time_number, sale_number, expected_price_id, expected_time_id)
代码对三个特征进行处理，让属性分别用0,1,2来进行标识，代码是基于价格，课时，销量三个特征的列表长度相等，实际上我们拿到的数据应该是不相同的，应该先对数据处理，即进行数据预处理（主要是缺失值与异常值处理）。
下面是我在eclipse里的运行结果：
[0, 2, 0, 0, 1, 2, 0] [2, 1, 0, 1, 1, 2, 0] [2, 2, 2, 0, 1, 2, 1]
p(a|c):0.0 ,0.0,0.5
p(b|c): 0.0,0.0,0.5
[0.0, 0.0, 142.85714285714286]
预测销量为高
本文仅作为自己的学习记录，可能存在很多不足之处。
网址：朴素贝叶斯算法的代码实例实现（python） https://www.yuejiaxmz.com/news/view/644009
相关内容
分类算法：朴素贝叶斯算法BPR贝叶斯个性化推荐算法—推荐系统基础算法（含python代码实现以及详细例子讲解）
贝叶斯网络，看完这篇我终于理解了(附代码)！
机器学习超参数优化算法（贝叶斯优化）
Python实现简单的智能助手
人工智能与交互设计：如何结合创新技术改变现实生活
Python实现熵值法计算权重
一款Python实用神器，5 行 Python 代码 实现一键批量扣图
详解机器学习的凸优化、图神经网络、强化学习、贝叶斯方法等四大主题
人工智能与智能家居维护：实现更高效的家居维护1.背景介绍 随着科技的不断发展，人工智能（Artificial Intel
