CSDN软件工程师能力认证（以下简称C系列认证）是由中国软件开发者网CSDN制定并推出的一个能力认证标准。C系列认证历经近一年的实际线下调研、考察、迭代、测试，并梳理出软件工程师开发过程中所需的各项技术技能，结合企业招聘需求和人才应聘痛点，基于公开、透明、公正的原则，甑别人才时确保真实业务场景、全部上机实操、所有过程留痕、存档不可篡改。
我们每天将都会精选CSDN站内技术文章供大家学习，帮助大家系统化学习IT技术。
在概率和统计学领域，贝叶斯理论基于对某一事件证据的认识来预测该事件的发生概率，
由结果推测原因的概率大小
首先，理解这个公式的前提是理解条件概率，因此先复习条件概率。
P(A|B)=P(AB)/P(B)
贝叶斯公式：
在机器学习领域，贝叶斯分类器是基于贝叶斯理论并假设各特征相互独立的分类方法，
基本方法是：使用特征向量来表征某个实体，并在该实体上绑定一个标签来代表其所属的类别。
优点：只需要极少数的训练数据，就可以建立起分类所需要的所有参数
抽象而言就是：贝叶斯分类器就是条件概率：给定一个实体，求解这个实体属于某一类的概率，这个实体用
一个长度为n的向量来表示，向量中的每一个元素表示相互独立的特征值的量。
=====================================================================================
以下是对水果分类的python代码实现：
类别较长不长甜不甜黄色不是黄色总数香蕉40010035015045050500橘子03001501503000300其他水果1001001505050150200总数5005006503508002001000python文件结构：都在一个包下（Bayes）
#!/usr/bin/env python
# encoding: utf-8
"""
@Company：华中科技大学电气学院聚变与等离子研究所
@version: V1.0
@author: YEXIN
@contact: 1650996069@qq.com 2018--2020
@software: PyCharm
@file: bayes_classfier.py
@time: 2018/8/16 16:49
@Desc：贝叶斯分类器
"""
###贝叶斯分类器源码
####训练数据集---->合适参数
datasets = {'banala':{'long':400,'not_long':100,'sweet':350,'not_sweet':150,'yellow':450,'not_yellow':50},
'orange':{'long':0,'not_long':300,'sweet':150,'not_sweet':150,'yellow':300,'not_yellow':0},
'other_fruit':{'long':100,'not_long':100,'sweet':150,'not_sweet':50,'yellow':50,'not_yellow':150}
}
def count_total(data):
'''计算各种水果的总数
return {‘banala’:500 ...}'''
count = {}
total = 0
for fruit in data:
'''因为水果要么甜要么不甜，可以用 这两种特征来统计总数'''
count[fruit] = data[fruit]['sweet'] + data[fruit]['not_sweet']
total += count[fruit]
return count,total
#categories,simpleTotal = count_total(datasets)
#print(categories,simpleTotal)
###########################################################
def cal_base_rates(data):
'''计算各种水果的先验概率
return {‘banala’:0.5 ...}'''
categories,total = count_total(data)
cal_base_rates = {}
for label in categories:
priori_prob = categories[label]/total
cal_base_rates[label] = priori_prob
return cal_base_rates
#Prio = cal_base_rates(datasets)
#print(Prio)
############################################################
def likelihold_prob(data):
'''计算各个特征值在已知水果下的概率（likelihood probabilities）
{'banala':{'long':0.8}...}'''
count,_ = count_total(data)
likelihold = {}
for fruit in data:
'''创建一个临时的字典，临时存储各个特征值的概率'''
attr_prob = {}
for attr in data[fruit]:
#计算各个特征值在已知水果下的概率
attr_prob[attr] = data[fruit][attr]/count[fruit]
likelihold[fruit] = attr_prob
return likelihold
#LikeHold = likelihold_prob(datasets)
#print(LikeHold)
############################################################
def evidence_prob(data):
'''计算特征的概率对分类结果的影响
return {'long':50%...}'''
#水果的所有特征
attrs = list(data['banala'].keys())
count,total = count_total(data)
evidence_prob = {}
#计算各种特征的概率
for attr in attrs:
attr_total = 0
for fruit in data:
attr_total += data[fruit][attr]
evidence_prob[attr] = attr_total/total
return evidence_prob
#Evidence_prob = evidence_prob(datasets)
#print(Evidence_prob)
##########################################################
#以上是训练数据用到的函数，即将数据转化为代码计算概率
##########################################################
class navie_bayes_classifier:
'''初始化贝叶斯分类器,实例化时会调用__init__函数'''
def __init__(self,data=datasets):
self._data = datasets
self._labels = [key for key in self._data.keys()]
self._priori_prob = cal_base_rates(self._data)
self._likelihold_prob = likelihold_prob(self._data)
self._evidence_prob = evidence_prob(self._data)
#下面的函数可以直接调用上面类中定义的变量
def get_label(self,length,sweetness,color):
'''获取某一组特征值的类别'''
self._attrs = [length,sweetness,color]
res = {}
for label in self._labels:
prob = self._priori_prob[label]#取某水果占比率
#print("各个水果的占比率：",prob)
for attr in self._attrs:
#单个水果的某个特征概率除以总的某个特征概率 再乘以某水果占比率
prob*=self._likelihold_prob[label][attr]/self._evidence_prob[attr]
#print(prob)
res[label] = prob
#print(res)
return res
============================================================================================generate_attires.py
#!/usr/bin/env python
# encoding: utf-8
"""
@Company：华中科技大学电气学院聚变与等离子研究所
@version: V1.0
@author: YEXIN
@contact: 1650996069@qq.com 2018--2020
@software: PyCharm
@file: generate_attires.py
@time: 2018/8/17 13:43
@Desc：产生测试数据集来测试贝叶斯分类器的预测能力
"""
import random
def random_attr(pair):
#生成0-1之间的随机数
return pair[random.randint(0,1)]
def gen_attrs():
#特征值的取值集合
sets = [('long','not_long'),('sweet','not_sweet'),('yellow','not_yellow')]
test_datasets = []
for i in range(20):
#使用map函数来生成一组特征值
test_datasets.append(list(map(random_attr,sets)))
return test_datasets
#print(gen_attrs())
======================================================================================
classfication.py
#!/usr/bin/env python
# encoding: utf-8
"""
@Company：华中科技大学电气学院聚变与等离子研究所
@version: V1.0
@author: YEXIN
@contact: 1650996069@qq.com 2018--2020
@software: PyCharm
@file: classfication.py
@time: 2018/8/17 13:55
@Desc：使用贝叶斯分类器对测试结果进行分类
"""
import operator
import bayes_classfier
import generate_attires
def main():
test_datasets = generate_attires.gen_attrs()
classfier = bayes_classfier.navie_bayes_classifier()
for data in test_datasets:
print("特征值：",end='\t')
print(data)
print("预测结果：", end='\t')
res=classfier.get_label(*data)#表示多参传入
print(res)#预测属于哪种水果的概率
print('水果类别：',end='\t')
#对后验概率排序，输出概率最大的标签
print(sorted(res.items(),key=operator.itemgetter(1),reverse=True)[0][0])
if __name__ == '__main__':
#表示模块既可以被导入（到 Python shell 或者其他模块中），也可以作为脚本来执行。
#当模块被导入时，模块名称是文件名；而当模块作为脚本独立运行时，名称为 __main__。
#让模块既可以导入又可以执行
main()
=====================================================================================
结果展示：
特征值： ['not_long', 'not_sweet', 'not_yellow'] 预测结果： {'banala': 0.08571428571428573, 'orange': 0.0, 'other_fruit': 0.5357142857142858} 水果类别： other_fruit 特征值： ['not_long', 'sweet', 'not_yellow'] 预测结果： {'banala': 0.1076923076923077, 'orange': 0.0, 'other_fruit': 0.8653846153846153} 水果类别： other_fruit 特征值： ['not_long', 'sweet', 'yellow'] 预测结果： {'banala': 0.24230769230769234, 'orange': 0.5769230769230769, 'other_fruit': 0.07211538461538461} 水果类别： orange 特征值： ['not_long', 'sweet', 'yellow'] 预测结果： {'banala': 0.24230769230769234, 'orange': 0.5769230769230769, 'other_fruit': 0.07211538461538461} 水果类别： orange 特征值： ['not_long', 'not_sweet', 'not_yellow'] 预测结果： {'banala': 0.08571428571428573, 'orange': 0.0, 'other_fruit': 0.5357142857142858} 水果类别： other_fruit 特征值： ['long', 'not_sweet', 'not_yellow'] 预测结果： {'banala': 0.3428571428571429, 'orange': 0.0, 'other_fruit': 0.5357142857142858} 水果类别： other_fruit 特征值： ['long', 'not_sweet', 'not_yellow'] 预测结果： {'banala': 0.3428571428571429, 'orange': 0.0, 'other_fruit': 0.5357142857142858} 水果类别： other_fruit 特征值： ['long', 'not_sweet', 'not_yellow'] 预测结果： {'banala': 0.3428571428571429, 'orange': 0.0, 'other_fruit': 0.5357142857142858} 水果类别： other_fruit 特征值： ['long', 'not_sweet', 'not_yellow'] 预测结果： {'banala': 0.3428571428571429, 'orange': 0.0, 'other_fruit': 0.5357142857142858} 水果类别： other_fruit 特征值： ['long', 'not_sweet', 'yellow'] 预测结果： {'banala': 0.7714285714285716, 'orange': 0.0, 'other_fruit': 0.04464285714285715} 水果类别： banala 特征值： ['not_long', 'not_sweet', 'yellow'] 预测结果： {'banala': 0.1928571428571429, 'orange': 1.0714285714285714, 'other_fruit': 0.04464285714285715} 水果类别： orange 特征值： ['not_long', 'not_sweet', 'yellow'] 预测结果： {'banala': 0.1928571428571429, 'orange': 1.0714285714285714, 'other_fruit': 0.04464285714285715} 水果类别： orange 特征值： ['long', 'not_sweet', 'not_yellow'] 预测结果： {'banala': 0.3428571428571429, 'orange': 0.0, 'other_fruit': 0.5357142857142858} 水果类别： other_fruit 特征值： ['not_long', 'not_sweet', 'yellow'] 预测结果： {'banala': 0.1928571428571429, 'orange': 1.0714285714285714, 'other_fruit': 0.04464285714285715} 水果类别： orange 特征值： ['not_long', 'sweet', 'not_yellow'] 预测结果： {'banala': 0.1076923076923077, 'orange': 0.0, 'other_fruit': 0.8653846153846153} 水果类别： other_fruit 特征值： ['long', 'not_sweet', 'yellow'] 预测结果： {'banala': 0.7714285714285716, 'orange': 0.0, 'other_fruit': 0.04464285714285715} 水果类别： banala 特征值： ['not_long', 'sweet', 'yellow'] 预测结果： {'banala': 0.24230769230769234, 'orange': 0.5769230769230769, 'other_fruit': 0.07211538461538461} 水果类别： orange 特征值： ['long', 'not_sweet', 'not_yellow'] 预测结果： {'banala': 0.3428571428571429, 'orange': 0.0, 'other_fruit': 0.5357142857142858} 水果类别： other_fruit 特征值： ['not_long', 'not_sweet', 'yellow'] 预测结果： {'banala': 0.1928571428571429, 'orange': 1.0714285714285714, 'other_fruit': 0.04464285714285715} 水果类别： orange 特征值： ['long', 'not_sweet', 'yellow'] 预测结果： {'banala': 0.7714285714285716, 'orange': 0.0, 'other_fruit': 0.04464285714285715} 水果类别： banala
关于CSDN软件工程师能力认证
CSDN软件工程师能力认证（以下简称C系列认证）是由中国软件开发者网CSDN制定并推出的一个能力认证标准。C系列认证历经近一年的实际线下调研、考察、迭代、测试，并梳理出软件工程师开发过程中所需的各项技术技能，结合企业招聘需求和人才应聘痛点，基于公开、透明、公正的原则，甑别人才时确保真实业务场景、全部上机实操、所有过程留痕、存档不可篡改。C系列认证的宗旨是让一流的技术人才凭真才实学进大厂拿高薪，同时为企业节约大量招聘与培养成本，使命是提升高校大学生的技术能力，为行业提供人才储备，为国家数字化战略贡献力量。
了解详情可点击：CSDN软件工程师能力认证介绍
本文出处：https://blog.csdn.net/qq_25948717/article/details/81744277?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522161413743916780255238616%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=161413743916780255238616&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-1-81744277.pc_search_result_before_js&utm_term=python贝叶斯&spm=1018.2226.3001.4187
