나이브 베이즈 소개

이 챌린지에서는 특정 클래스에 속할 확률을 계산하는 방법을 배웁니다. 데이터셋 play_outside.csv는 temperature, mood, motivation, windy, play 컬럼을 포함하고 있습니다. 각 행은 동일한 인물을 나타내며, 특징(temperature, mood, motivation, windy)에 따라 그가 밖에서 놀기로 결정했는지 여부를 나타냅니다. 우리의 목표는 특징(temperature, mood, motivation, windy)을 기반으로 그가 밖에서 놀러 나갈지 여부를 예측하는 것입니다.

다음은 데이터셋의 예시입니다:

다음 방정식들이 위협적으로 보일 수 있지만, 하나씩 분석해 보겠습니다.
나이브 베이즈 공식: P(Class|Feature) = P(Feature|Class) * P(Class) / P(Feature)

• P(Feature|Class) - 우도(Likelihood)
• P(Class) - 클래스의 사전 확률(Prior probability)
• P(Feature) - 예측 변수의 사전 확률
• P(Class|Feature) - 즉, 보이지 않는 행이 클래스 <strong>x</strong>로 분류될 확률입니다. 

이를 해결하기 위해 공식의 각 구성 요소(P(B|Class) * P(Class) / P(B))를 계산해야 합니다.

• P(Class) - 클래스의 사전 확률
  이는 각 클래스의 발생 횟수를 전체 클래스 수로 나눈 값과 같습니다. 예를 들어, 3개 행으로 된 예시에서 yes는 2/3이고 no는 1/3입니다.
  P(yes) = 2/3
P(no) = 1/3 
•  P(Feature|Class) - 우도(Likelihood)
  이는 주어진 클래스에서 각 특징의 발생 횟수와 같습니다. 예를 들어
  P(temperature = <strong>low</strong>|play = <strong>yes</strong>) - play = yes인 행이 두 개 있고, (그중 play = yes인 행에서만) temperature = low인 행이 하나 있으므로, 이는 1/2과 같습니다.
• P(Feature)
  이는 각 특징의 발생 횟수를 전체 행 수로 나눈 값과 같습니다. 예를 들어:
  p(motivation=high) = 2/3인데, 이는 동기 부여가 높은(high motivation) 행이 두 개이고 이를 전체 행 수(3)로 나누었기 때문입니다.

챌린지

두 개의 딕셔너리 probability_features, probability_target과 dataset_name이 주어집니다.

각 특징(컬럼)에 대해 각 속성의 확률을 계산하세요.
예를 들어, probability_target의 값은 다음과 같습니다:

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

다음은 probability_features의 값입니다:

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

특징 이름과 속성 이름은 고정되어 있지 않다는 점에 유의하세요. 각 데이터셋마다 서로 다른 특징과 이름을 가지고 있습니다.

계산을 더 쉽게 하기 위해 pandas 모듈을 사용하는 것을 권장합니다.