1 贝叶斯公式
P(A|B) = P(B|A)*P(A)/P(B) 事件A发生的情况下事件B发生的概率 = B发生的情况下A发生的概率*B发生的概率/A发生的概率
2 处理二值化（经过二值化后的数据）
代码：
df = pd.read_csv('DATA/Fly_0_1.csv',header =None) print(df.describe()) index_all = len(df) Fly_s = df[0] Game_s = df[1] Table_s = df[2] for x in range(2): for y in range(2): print('Fly:%s Game:%s'%(x,y)) for z in range(3): FG = len( df[ (Fly_s == x) & (Game_s == y) ])/index_all Fly = len( df[ (Fly_s == x) & (Table_s == z) ])/len(df[Table_s == z]) Game = len( df[ (Game_s == y) & (Table_s == z) ])/len(df[Table_s == z]) Table = Table_s[Table_s==z].count()/index_all print('%s: '%z,Fly*Game*Table/FG) 代码解释： # 读取二值化后的数据 df = pd.read_csv('DATA/Fly_0_1.csv',header =None) # 打印出数据详情 print(df.describe()) # 数据的行数 index_all = len(df) # 第一行数据 Fly_s = df[0] # 第二行数据 Game_s = df[1] # 第三行数据 Table_s = df[2] for x in range(2): for y in range(2): print('Fly:%s Game:%s'%(x,y)) # 上面的代码是列举每个Fly 和 Game # 总共为 00 01 10 11 四种 for z in range(3): # z 表示对应的三种标签 0(didntLike) 1(smallDose) 2(largeDose) # 标签 z 发生的情况下Fly == x 发生的概率 注意后面除以的是Table == z 的行数而不是全部行数len(df) Fly = len( df[ (Fly_s == x) & (Table_s == z) ])/len(df[Table_s == z]) # 标签Z发生的情况下Game发生的概率 Game = len( df[ (Game_s == y) & (Table_s == z) ])/len(df[Table_s == z]) # 该标签发生的概率(无其他前提条件) Table = Table_s[Table_s==z].count()/index_all # 无其他前提条件下 Fly Game 发生的概率 FG = len( df[ (Fly_s == x) & (Game_s == y) ])/index_all print('%s: '%z,Fly*Game*Table/FG) # Fly*Game*Table/FG # 贝叶斯公式 P(A|B) = P(B|A)*P(A)/P(B) # 此处 P(B|A) 即某标签发生的情况下Fly Game 发生的概率 简化为Fly*Game # P(A) 即Table 无其他前提条件下 改标签发生的概率 # P(B) 即无其他前提条件下 Fly Game 发生的概率 即为 FG 3 这里 我举个例子 # 这里我们举个例子: Fly ==0 Game == 1 情况下 属于标签 2(largeDose)的概率： # 贝叶斯公式 P(A|B) = P(B|A)*P(A)/P(B) # P(B|A) ==Fly * Game Fly = len( df[ (Fly_s == 0) & (Table_s == 2) ])/len(df[Table_s == 2]) Game = len( df[ (Game_s == 1) & (Table_s == 2) ])/len(df[Table_s == 2]) # P(A) == Table Table = Table_s[Table_s==2].count()/index_all # P(B) = FG FG = len( df[ (Fly_s == 0) & (Game_s == 1) ])/index_all # 因此 Fly == 0 Game == 1 情况下 属于标签 2(largeDose)的概率为： print(Fly*Game*Table/FG)全部代码：
import time import numpy as np import pandas as pd df = pd.read_csv('DATA/Fly_0_1.csv',header =None) print(df.describe()) index_all = len(df) Fly_s = df[0] Game_s = df[1] Table_s = df[2] for x in range(2): for y in range(2): print('Fly:%s Game:%s'%(x,y)) for z in range(3): FG = len( df[ (Fly_s == x) & (Game_s == y) ])/index_all Fly = len( df[ (Fly_s == x) & (Table_s == z) ])/len(df[Table_s == z]) Game = len( df[ (Game_s == y) & (Table_s == z) ])/len(df[Table_s == z]) Table = Table_s[Table_s==z].count()/index_all print('%s: '%z,Fly*Game*Table/FG) # 这里我们举个例子: Fly ==0 Game == 1 情况下 属于标签 2(largeDose)的概率： # 贝叶斯公式 P(A|B) = P(B|A)*P(A)/P(B) # P(B|A) ==Fly * Game Fly = len( df[ (Fly_s == 0) & (Table_s == 2) ])/len(df[Table_s == 2]) Game = len( df[ (Game_s == 1) & (Table_s == 2) ])/len(df[Table_s == 2]) # P(A) == Table Table = Table_s[Table_s==2].count()/index_all # P(B) = FG FG = len( df[ (Fly_s == 0) & (Game_s == 1) ])/index_all # 因此 Fly == 0 Game == 1 情况下 属于标签 2(largeDose)的概率为： print(Fly*Game*Table/FG) # P(X|Y) = (Nc + MP)/(N + M) 这样不会出现概率为0 的情况 # Nc表示总体中出现N的次数 # M表示等效样本容量的常数，这里用出现的两种情况(yes|no) 赋值 2 # P表示先验概率，即在没有其它前提下的概率 为 0.5 (yes|no) # N表示样本总容量 运行结果：
