mpsic_projekt_1_bayes_classifier/README.md

# mpsic_projekt_1_bayes_classifier

## Klasyfikacja za pomocą naiwnej metody bayesowskiej dla rozkładów dyskretnych.

Implementacja powinna założyć, że cechy są dyskretne/jakościowe. Na wejściu oczekiwany jest zbiór, który zawiera p-cech dyskretnych/jakościowych, wektor etykiet oraz wektor prawdopodobieństw a priori dla klas. Na wyjściu otrzymujemy prognozowane etykiety oraz prawdopodobieństwa a posteriori. Dodatkową wartością odpowiednia wizualizacja.

### Zasady zaliczenia projektu (max 40 pkt):
- 10 pkt - prezentacja projektu
- 15 pkt - implementacja, w tym:
- - 5 pkt - zgodność z tematem,
- - 5 pkt - jakość kodu,
- - 5 pkt - poprawność implementacji
- 10 pkt - efekt "wow"
- 5 pkt - aktywność wszystkich członków grupy