数据分析之贝叶斯算法案例

1.贝叶斯定理

       是一个经典的条件概率定理，其在机器学习中主要用来通过结果推算出原因产生的概率。P(A/B)*P(B)=P(B/A)*P(A）

2.字符串分类案例

#案例：随机输入一个字符串，判定其最可能属于哪个类别？
#若计算P（cat/str）=P(cat)*P(str/cat)/P(str)
#由于P(str)概率相同，因此公式可以简化为：P（cat/str）=P(cat)*P(str/cat)
cat1=["a","b","c","d","e","j"]
cat2=["a","d","o","h","e"]
cat3=["a","b","l","e","h","f"]
a="abcd"

def predict(str1):

    cat=[cat1,cat2,cat3]
    p={0:0,1:0,2:0}
    p1=[len(cat1)/26,len(cat2)/26,len(cat3)/26]#26个字母中出现的概率


    for i in  str1:
        for j in range(len(cat)):
            if i in cat[j]:
                p[j]+=1/len(cat[j])*p1[j]   #在cat1中字符串产生的概率，
    return sorted(p.items(),key= lambda p:p[1],reverse=True )



if __name__ == '__main__':
    print(predict(a)[0])