导入库

import numpy as np

共 100 个样本，每个样本 x 都包括 5 个特征

np.random.seed(0) x = np.random.randn(100, 5)

共 100 个样本，每个样本 x 都属于 {0,1} 类别中的一个

np.random.seed(0) y = np.random.randint(0,2,100)

给定 xx = [0,1,0,1,1]

xx = np.array([0,1,0,1,1])

setx = []

setx[i] 表示属于类别 i 的 x 的集合

for i in range(2): setx.append(x[np.where(y==i)])

p = []

初始化 p，p[i] 表示 xx 属于类别 i 的概率

for i in range(2): p.append(setx[i].shape[0] / 100)

正态分布的概率密度函数

def normal(x, mean, std): return np.exp(-(x-mean)2/(2*std2))/(np.sqrt(2*np.pi)*std)

任务1：根据条件独立假设，求样本 xx 属于 i 类别的概率

########## Begin ########## for i in range(2): for j in range(5): mean = np.mean(setx[i][:, j]) std = np.std(setx[i][:, j]) p[i] *= normal(xx[j], mean, std) ########## End ##########

任务2：根据连续型朴素贝叶斯判定准则，求样本 xx 属于哪个类别的概率最大

########## Begin ########## label = np.argmax(p) ########## End ##########

打印结果

print('样本 xx = [0,1,0,1,1] 属于类别', label