我正在尝试在一些实时数据上实现朴素贝叶斯算法。我知道贝叶斯的规则，但我不知道如何实现我的数据。我的数据如下所示。总共有2个标签我的数据是好的，欺诈和测试数据标记为unkn。我需要通过应用Naive Bayes算法将所有unkn记录分类为ok或欺诈。我如何实现这一目标？请有人帮助我。
1,v1,p1,182,1665,unkn
2,v2,p1,3072,8780,ok
3,v3,p1,20393,76990,ok
4,v4,p1,112,1100,fraud
5,v3,p1,6164,20260,unkn
6,v5,p2,104,1155,ok
7,v6,p2,350,5680,unkn
8,v7,p2,200,4010,ok
9,v8,p2,233,2855,unkn
10,v9,p2,118,1175,unkn
贝叶斯规则： -
unkn的后验概率是正确的=先验概率ok * unkn的可能性给出了确定。
欺诈的后验概率=欺诈的先前可能性*欺诈的可能性。
答案 0 :(得分：3)
我假设行1,v1,p1,182,1665,unkn被解释为：
1，v1 =一些标识符p1,182,1665 =数据点的功能unkn =标签，在这种情况下为未知考虑到这一点，您的训练数据包含标有ok或fraud的所有行，您的测试数据是其余的。您必须计算先验和条件可能性：
ok的先验概率是训练数据中ok个例子的比例。这同样适用于fraud f，例如v1或p1，其给定的可能性是包含该功能的训练数据中ok个示例的比例。例如，p1包含在4个ok示例中的2个中，概率为0.5。对于每个示例，将您为步骤2中所有要素计算的概率相乘。将结果乘以步骤1中的概率，以获得属于特定类的示例的（联合）概率。
注意事项：
182）需要转换为离散（例如通过分级），或者您需要在步骤2中提出一些估算条件概率的其他方法.Google for连续值的朴素贝叶斯