(y == i).mean()

import numpy as np
y = np.array([1,1,2,2,3])
y_prob = {}
y_set = set(y)
for i in y_set:
    y_prob[i] = (y == i).mean()
y_prob

y_prob[i] = (y == i).mean()

该代码的特点：
思想一致：都是在计算离散变量的概率
高性能计算：效率高，计算速度快
效果一致：与理论上的结果一致

标签概率

标签是类别，类别的概率，即离散变量的概率计算，是数数

一类的个数/总个数

(y == i).mean()
- y == i 真假列表 ，0或1
- y是一个向量，i是一个数值，会将向量的每个元素与i进行比较
- mean,1的个数加起来/总个数 ，即用一个函数mean替换了count/sum，

P(y1|(x1,x2,x3)) = P(x1|y1) P(x2|y1) P(x3|y1)P(y1)

P(y1|x) = P(y1|(x1,x2,x3)) = P(x1|y1) P(x2|y1) P(x3|y1)P(y1)

x1,x2,x3是不同的特征，自有其特点/特性，
有不同的均值，标准差，

这里假设
- 所有特征相互独立
- 所有变量默认为连续变量
  - 连续变量按概率密度求概率，自带归一化处理
  - 因此，已经将他们拉到标准正态的维度上进行处理了

同时这里也有工程近似
- 该公式来自贝叶斯，对于既定的样本x，它的概率是定值，因为概率不像频率，本来就是定值
- 之所以抹去p(x),是相对y1,y2,...,yn来说的，目的在于取出它们中的最大值
- 而公式中的分母都是p(x),故可以抹去

X[y==0]

import numpy as np
X = np.arange(21).reshape((7,3))
X

array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11],
       [12, 13, 14],
       [15, 16, 17],
       [18, 19, 20]])

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

X[y==0]
array([[ 0,  1,  2],
       [ 6,  7,  8],
       [12, 13, 14],
       [15, 16, 17]])

X[y==1]
array([[ 3,  4,  5],
       [ 9, 10, 11],
       [18, 19, 20]])

-----------------------------------------------------------------

 
import numpy as np
from matplotlib import pyplot as plt
x = np.linspace(start=-10, stop=10, num=50)

    

 
label = np.array(y_train)
if label.ndim > 1:
    label = label.ravel()  # 转换为一维数组
label.shape

 
ravel 英/ˈrævl/ 美/ˈrævl/ 

vt. 使…缠绕；使更复杂；使更纷乱 
n. 缠绕；(绳,织物等)散开的一端；错杂