朴素贝叶斯（离散型+连续型）

本文主要是介绍朴素贝叶斯（离散型+连续型），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

讲道理上次写完离散性朴素贝叶斯的实现，这次得写连续型的了，考虑到还有离散性+连续型（考虑到我懒），即数据集里的特征既有离散的特征又有连续的特征这样，就一并一起洗写了吧o(*￣▽￣*)ブ

上次讲到了朴素贝叶斯的思想，本质上就是假设数据特征的条件概率是无关的，然后我们通过正态分布去假设每个特征条件概率的分布；

于是乎对于连续型的特征我们可以通过它们在训练集上的均值和方差去估算新来样本的条件概率

然后就和离散性一样啦~

import numpy as np
import mathpi = math.piclass NaiveBayesClassifier(object):def __init__(self):self.x = self.y = []self.feat_dics = self.label_dic = self.dic_label = self.pri = Noneself.con = []self.is_continue = self.cont_con =  Nonedef pre(self, x, y):xt = map(list, zip(*x))features = [set(feat) for feat in xt]self.feat_dics = [{_l: i for i, _l in enumerate(feats)}for i, feats in enumerate(features)]x = 

这篇关于朴素贝叶斯（离散型+连续型）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---