多项式Multinomial朴素贝叶斯：该模型常用于文本分类特征是单词值是单词的出现次数。构建多项式朴素贝叶斯模型通过x和y对模型进行训练然后让模型同时预测X第3至最后一行数据对应的y值并输出。

由于没有给出具体数据，我们以一个简单的示例进行说明：

假设我们有如下的训练数据：

| X1 | X2 | X3 | Y | |----|----|----|----| | 1 | 0 | 1 | 1 | | 1 | 1 | 0 | 0 | | 0 | 1 | 1 | 1 | | 0 | 1 | 0 | 0 |

其中，X1、X2、X3为特征，表示某个词汇是否出现，Y为标签，表示该行数据所属的类别。

首先，我们需要计算出每个类别的先验概率，即P(Y=0)和P(Y=1)，可以通过以下公式计算：

P(Y=0) = (count(Y=0) + 1) / (count(Y=0) + count(Y=1) + 2) P(Y=1) = (count(Y=1) + 1) / (count(Y=0) + count(Y=1) + 2)

其中，count(Y=0)表示Y=0的样本数量，count(Y=1)表示Y=1的样本数量。这里加上1和2是为了避免出现概率为0的情况，采用了拉普拉斯平滑。

假设Y=0的样本数量为2，Y=1的样本数量为2，则有：

P(Y=0) = (2 + 1) / (2 + 2 + 2) = 0.5 P(Y=1) = (2 + 1) / (2 + 2 + 2) = 0.5

接下来，我们需要计算每个特征在不同类别下的条件概率，即P(Xi=1|Y=0)、P(Xi=0|Y=0)、P(Xi=1|Y=1)、P(Xi=0|Y=1)，可以通过以下公式计算：

P(Xi=1|Y=0) = (count(Xi=1,Y=0) + 1) / (count(Y=0) + 2) P(Xi=0|Y=0) = (count(Xi=0,Y=0) + 1) / (count(Y=0) + 2) P(Xi=1|Y=1) = (count(Xi=1,Y=1) + 1) / (count(Y=1) + 2) P(Xi=0|Y=1) = (count(Xi=0,Y=1) + 1) / (count(Y=1) + 2)

其中，count(Xi=1,Y=0)表示在Y=0的样本中，Xi=1的数量；count(Xi=0,Y=0)表示在Y=0的样本中，Xi=0的数量；count(Xi=1,Y=1)和count(Xi=0,Y=1)同理。

以第一个特征X1为例，可以计算出：

P(X1=1|Y=0) = (count(X1=1,Y=0) + 1) / (count(Y=0) + 2) = (1 + 1) / (2 + 2) = 0.5 P(X1=0|Y=0) = (count(X1=0,Y=0) + 1) / (count(Y=0) + 2) = (1 + 1) / (2 + 2) = 0.5 P(X1=1|Y=1) = (count(X1=1,Y=1) + 1) / (count(Y=1) + 2) = (1 + 1) / (2 + 2) = 0.5 P(X1=0|Y=1) = (count(X1=0,Y=1) + 1) / (count(Y=1) + 2) = (1 + 1) / (2 + 2) = 0.5

接下来，我们可以根据贝叶斯公式计算每个样本属于不同类别的概率，取概率最大的类别作为预测结果。假设要预测的样本为(1, 0, 0)，则其属于Y=0和Y=1的概率分别为：

P(Y=0|(1, 0, 0)) = P(Y=0) * P(X1=1|Y=0) * P(X2=0|Y=0) * P(X3=0|Y=0) = 0.5 * 0.5 * 1 * 0.5 = 0.125 P(Y=1|(1, 0, 0)) = P(Y=1) * P(X1=1|Y=1) * P(X2=0|Y=1) * P(X3=0|Y=1) = 0.5 * 0.5 * 1 * 0.5 = 0.125

因此，预测结果为Y=0。

对于第3至最后一行数据，我们可以按照同样的方式进行预测，得到它们的标签