朴素贝叶斯简介

在这个挑战中，我们将学习如何计算属于某个特定类别的概率。数据集 play_outside.csv 包含以下列：temperature, mood, motivation, windy, play。每一行代表同一个人，以及他是否根据特征（temperature, mood, motivation, windy）决定到户外玩。我们的目标是根据特征（temperature, mood, motivation, windy）预测他是否会到户外玩。

下面是一个数据集示例：

下面的公式看起来可能有些难懂，不过我们会逐步讲解。
朴素贝叶斯公式：P(Class|Feature) = P(Feature|Class) * P(Class) / P(Feature)

• P(Feature|Class) -似然
• P(Class) - 类别的先验概率
• P(Feature) - 预测变量的先验概率
• P(Class|Feature) - 换句话说，未见过的行被分类到类别 <strong>x</strong> 的概率是多少？ 

要解决这个问题，我们需要计算公式中的每个组成部分（P(B|Class) * P(Class) / P(B)）

• P(Class) - 类别的先验概率
  它等于每个类别出现的次数除以类别总数。例如，在我们的 3 行示例中，2/3 是 yes，1/3 是 no。
  P(yes) = 2/3
P(no) = 1/3 
•  P(Feature|Class) -似然
  它等于给定类别的每个特征出现的次数。例如：
  P(temperature = <strong>low</strong>|play = <strong>yes</strong>)：有两行满足 play = yes，其中只有一行的 temperature = low，所以结果是 1/2。
• P(Feature)
  它等于每个特征出现的次数除以总行数。例如：
  p(motivation=high) = 2/3，因为有两行的 motivation 是 high，除以总行数（3）后，结果为 2/3。

挑战

你会获得两个字典 probability_features、probability_target，以及 dataset_name

计算每个特征（列）中每个属性的概率。
例如，下面是 probability_target 的值：

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

下面是 probability_features 的值：

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

请记住，特征名称和属性名称不是固定的。每个数据集都有不同的特征和名称。

我建议使用 pandas 模块来简化计算。