Untitled

import numpy as np
from collections import defaultdict

class NaiveBayesClassifier:
    def __init__(self):
        self.class_priors = {}
        self.means = {}
        self.variances = {}

    def fit(self, X, y):
        """Trenuje klasyfikator na danych."""
        self.classes = np.unique(y)
        self.class_priors = {c: np.mean(y == c) for c in self.classes}
        self.means = {c: np.mean(X[y == c], axis=0) for c in self.classes}
        self.variances = {c: np.var(X[y == c], axis=0) for c in self.classes}
    
    def _gaussian_pdf(self, x, mean, var):
        """Funkcja gęstości prawdopodobieństwa dla rozkładu Gaussa."""
        eps = 1e-6  # Zapobiega dzieleniu przez zero
        coef = 1 / np.sqrt(2 * np.pi * (var + eps))
        exponent = np.exp(- (x - mean) ** 2 / (2 * (var + eps)))
        return coef * exponent
    
    def predict(self, X):
        """Przewiduje klasy dla podanych danych."""
        predictions = []
        for x in X:
            posteriors = {}
            for c in self.classes:
                prior = np.log(self.class_priors[c])
                likelihood = np.sum(np.log(self._gaussian_pdf(x, self.means[c], self.variances[c])))
                posteriors[c] = prior + likelihood
            predictions.append(max(posteriors, key=posteriors.get))
        return np.array(predictions)
    
# Wczytanie zbioru Irysów
def load_iris():
    from sklearn import datasets
    iris = datasets.load_iris()
    return iris.data, iris.target

# Podział danych na treningowe i testowe
from sklearn.model_selection import train_test_split
X, y = load_iris()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# Inicjalizacja i trenowanie klasyfikatora
classifier = NaiveBayesClassifier()
classifier.fit(X_train, y_train)

# Predykcja i ocena
y_pred = classifier.predict(X_test)
accuracy = np.mean(y_pred == y_test)
print(f'Dokładność klasyfikatora: {accuracy:.2f}')