fit 方法

Coddy 机器学习入门课程的第 13 课，共 19 课。

以下是朴素贝叶斯公式：
P(Class|Feature) = P(Feature|Class) * P(Class) / P(Feature)

在上一课中，我们已经计算了 P(Feature|Class) 和 P(Class)。

现在，根据数学原理，我们可以省略 P(Feature)，简化计算。例如，如果 5 > 3，并且我们将两边都除以 10（得到 5/10 > 3/10），不等式仍然成立。

因此，简化后的公式为：P(Class|Feature) = P(Feature|Class) * P(Class)。

来看一个具有以下属性的新数据点：

temperature	mood	motivation	windy
low	happy	high	yes

要计算 play = yes 的所有实例的概率，请使用以下公式：

P(temperature=low|play=Yes) * P(mood= happy|play=Yes) * P(motivation= high|play=Yes) * P(windy=yes|play=Yes) * p(play=yes)

所有这些数据都已保存在 probability_features 和 probability_target 变量中：

p_yes = probability_features["temperature"]["low"]["yes"] *
	probability_features["mood"]["happy"]["yes"] *
	probability_features["motivation"]["high"]["yes"] *
	probability_features["windy"]["yes"]["yes"] *
	probability_target["yes"]

现在，我们需要对 play = no 做同样的计算。

得到两个概率后，我们比较它们，找出较大的一个。

如果 p_yes 大于 p_no，我们就将这个新数据点分类为 yes；否则，将它分类为 no。

挑战

中等

在这个挑战中，完成 fit 方法，使其像我们在上一课中所做的那样，将概率存储在 self.probability_features 和 self.probability_target 中。

y_train 是我们的目标变量，X_train 是我们的特征数据集。

另外，完成 get_classes_probability 方法。这个方法应接收一个新的数据点（类似于前面提供的示例），并返回目标变量每个类别的概率（即 p_yes 和 p_no）。
输出应采用以下格式（具体取决于目标变量 y_train 中的值）：

classes_probabilities = {
    "yes": 0.00,
    "no": 0.00, 
}

请记住，特征名称和属性名称并不固定。每个数据集的特征和名称都不同。

亲手试试

class NaiveBayes:
    class __init__(self):
        pass
    
    def get_classes_probability(self, X):
        # X 是一个只有一行的 DataFrame
        # 使用在 fit 方法中保存的 self.classes
        # 在下面编写你的代码
        classes_probabilities = {}
        
        
        # --------------------------
        return classes_probabilities
    
    def fit(self, X_train, y_train):
        self.probability_features = {}
        self.probability_target = {}
        target_variable = "target"
        df = X_train.copy()
        df[target_variable] = y_train
        # 复制你在上一课编写的代码
        # 在 probability_features 和 probability_target 前加上 self.
        
    
    def predict(self, X_test):
        pass

机器学习入门中的所有课

1ML 之旅的开始

ML 简介提供给模型的数据什么是 ML 模型

4K-Means 算法

K-Means 简介 fit 方法 predict 方法

2机器学习概述

监督学习无监督学习

5朴素贝叶斯

朴素贝叶斯简介fit 方法predict 方法

3K-近邻（KNN）

KNN 简介 fit 方法 predict 方法

6其他模型

逻辑回归线性回归决策树支持向量机（SVM）模型测验

自己练习： Python 在线编译器