分类与监督学习，朴素贝叶斯分类算法

标签：编程   int   实现   red   ann   聚集   gauss   datasets   朴素贝叶斯分类   

1.理解分类与监督学习、聚类与无监督学习。

简述分类与聚类的联系与区别。

聚类：是指事先没有“标签”而通过某种成团分析找出事物之间存在聚集性原因的过程。

分类：是根据文本的特征或属性，划分到已有的类别中。也就是说，这些类别是已知的，通过对已知分类的数据进行训练和学习，找到这些不同类的特征，再对未分类的数据进行分类。

简述什么是监督学习与无监督学习。

监督学习：针对的是有标签的数据集，对具有概念标记的训练样本进行学习，以尽可能对训练样本集外的数据进行标记预测。

无监督学习：针对的是没有标签的数据集，对没有概念标记的训练样本进行学习，以发现训练样本集中的结构性知识。

朴素贝叶斯分类算法 实例

• 利用关于心脏情患者的临床数据集，建立朴素贝叶斯分类模型。
• 有六个分类变量(分类因子)：性别，年龄、KILLP评分、饮酒、吸烟、住院天数
• 目标分类变量疾病：–心梗–不稳定性心绞痛
• 新的实例：–(性别=‘男’，年龄<70, KILLP=‘I‘，饮酒=‘是’，吸烟≈‘是”，住院天数<7)
• 最可能是哪个疾病？
• 上传演算过程。

编程实现朴素贝叶斯分类算法

• 利用训练数据集，建立分类模型。
• 输入待分类项，输出分类结果。
• 可以心脏情患者的临床数据为例，但要对数据预处理。

sklearn内置

from sklearn.datasets import load_iris
from sklearn.naive_bayes import GaussianNB
iris = load_iris()
print(iris.data)

print(iris.data[95])

# 建立模型
gnb = GaussianNB()

# 训练
gnb.fit(iris.data,iris.target)

# 预测
print(‘贝叶斯结果:‘,gnb.predict([iris.data[95]]))
print(‘贝叶斯结果:‘,gnb.predict(iris.data))


# KMeans 聚类
from sklearn.cluster import KMeans

# 配置，构建
est = KMeans(n_clusters = 4)

# 计算
est.fit(iris.data)

# 聚类结果
print(‘KMeans聚类:‘,est.labels_)

分类与监督学习，朴素贝叶斯分类算法

标签：编程   int   实现   red   ann   聚集   gauss   datasets   朴素贝叶斯分类   

原文地址：https://www.cnblogs.com/Zengl/p/9982227.html