Допрограммировать классификатор Байеса

import numpy as np
 
with open("input.txt", "r") as file:
    n, m, k = map(int, file.readline().split()) #количество сообщений, мощность языка и количество классов
 
data = np.loadtxt('input.txt', skiprows=1)
W = data[:n, :m].astype(int)
Labels = data[:, m].astype(int)
 
#pc)сколько раз встетился класс
value, counts = np.unique(Labels, return_counts=True)
pc = counts/n
 
#pwc)сколько раз встретилось слово Wi в классе Cj
a = np.zeros(k)
b = np.zeros((k,m))
c = np.zeros((k,m))
#общее колчичество слов в классе
for i in range(n):
    b[Labels[i]] += W[i]
    c[Labels[i]] += np.sum(W[i])
    p = (b + 1)/(c+len(np.unique(W)))            #можно вместо m поставить len(np.unique(W))
    y = pc * np.prod(p, axis=1)
    print(np.argmax(y))

import numpy as np
 
def train_naive_bayes(X_train, y_train):
    n_samples, n_features = X_train.shape
    classes = np.unique(y_train)
    n_classes = len(classes)
 
    # Вычисление априорных вероятностей классов
    class_probs = np.zeros(n_classes)
    for i, c in enumerate(classes):
        class_probs[i] = np.sum(y_train == c) / n_samples
 
    # Вычисление условных вероятностей слов при заданных классах
    feature_probs = np.zeros((n_classes, n_features))
    for i, c in enumerate(classes):
        X_c = X_train[y_train == c]
        feature_probs[i] = (np.sum(X_c, axis=0) + 1) / (np.sum(X_c) + n_features)
 
    return class_probs, feature_probs
 
def predict_naive_bayes(X, class_probs, feature_probs):
    n_samples, n_features = X.shape
    n_classes = len(class_probs)
    predictions = np.zeros(n_samples)
 
    for i in range(n_samples):
        probs = np.zeros(n_classes)
        for j in range(n_classes):
            probs[j] = np.log(class_probs[j]) + np.sum(np.log(feature_probs[j]) * X[i])
        predictions[i] = np.argmax(probs)
 
    return predictions
 
# Пример использования
 
# Загрузка и предобработка данных
data = np.loadtxt('input.txt')
X = data[:, :-1]
y = data[:, -1]
 
# Разделение на обучающую и тестовую выборки
split = int(0.8 * len(X))
X_train = X[:split]
y_train = y[:split]
X_test = X[split:]
y_test = y[split:]
 
# Обучение наивного байесовского классификатора
class_probs, feature_probs = train_naive_bayes(X_train, y_train)
 
# Прогнозирование на тестовой выборке
predictions = predict_naive_bayes(X_test, class_probs, feature_probs)
 
# Оценка точности модели
accuracy = np.sum(predictions == y_test) / len(y_test)
print("Accuracy:", accuracy)