ナイーブベイズ入門

このチャレンジでは、特定のクラスに属する確率を計算する方法を学びます。データセット play_outside.csv には、temperature, mood, motivation, windy, play という列が含まれています。各行は同一人物を表し、特徴量（temperature, mood, motivation, windy）に基づいて、その人が外で遊ぶかどうかを決定した結果を示しています。私たちの目標は、特徴量（temperature, mood, motivation, windy）に基づいて、その人が外で遊ぶかどうかを予測することです。

データセットの例を以下に示します：

次の数式は難しそうに見えるかもしれませんが、分解して説明します。
ナイーブベイズの公式： P(Class|Feature) = P(Feature|Class) * P(Class) / P(Feature)

• P(Feature|Class) - 尤度（Likelihood）
• P(Class) - クラスの事前確率
• P(Feature) - 予測変数の事前確率
• P(Class|Feature) - 言い換えれば、未知の行がクラス <strong>x</strong> に分類される確率はどれくらいか、ということです。 

これを解くには、公式の各構成要素（P(B|Class) * P(Class) / P(B)）を計算する必要があります。

• P(Class) - クラスの事前確率
  これは、各クラスの出現回数をクラスの総数で割ったものに等しくなります。例えば、3行の例では、2/3 が yes で、1/3 が no です。
  P(yes) = 2/3
P(no) = 1/3 
•  P(Feature|Class) - 尤度
  これは、特定のクラスにおける各特徴量の出現回数に等しくなります。例えば、
  P(temperature = <strong>low</strong>|play = <strong>yes</strong>) - play = yes である行は2つあり、そのうち temperature = low である行は1つなので、これは 1/2 になります。
• P(Feature)
  これは、各特徴量の出現回数を全行数で割ったものに等しくなります。例えば：
  p(motivation=high) = 2/3 となります。なぜなら、high motivation の行が2つあり、それを全行数（3）で割るからです。

チャレンジ

2つの辞書 probability_features、probability_target と dataset_name が与えられます。

各特徴量（列）について、各属性の確率を計算してください。
例えば、probability_target の値は以下のようになります：

probability_target = {
    "yes": 0.66667, # (2/3)
    "no": 0.33333 # (1/3)   
}

probability_features の値は以下のようになります：

probability_features = {
	"temperature": {
		"low": {
			"yes": 0.5, # (1/2)
			"no": 0.5, # (1/2)
		},
		"moderate": {
			"yes": 1, # (1/1)
			"no": 0, # (0/1)
		}
	}
}

特徴量名や属性名は固定ではないことに注意してください。データセットごとに異なる特徴量と異なる名前を持っています。

計算を簡単にするために、pandas モジュールを使用することをお勧めします。