机器学习九

标签：朴素   mic   selection   class   alt   没有   ase   targe   idt   

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。

• 聚类分析是研究如何在没有训练的条件下把样本划分为若干类。
• 在分类中，已知存在哪些类，即对于目标数据库中存在哪些类是知道的，要做的就是将每一条记录分别属于哪一类标记出来。

简述什么是监督学习与无监督学习。

• 监督学习：根据已有的数据集，知道输入和输出结果之间的关系。根据这种已知的关系，训练得到一个最优的模型。
• 无监督学习：我们不知道数据集中数据、特征之间的关系，而是要根据聚类或一定的模型得到数据之间的关系。

2.朴素贝叶斯分类算法 实例

利用关于心脏病患者的临床历史数据集，建立朴素贝叶斯心脏病分类模型。

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？

上传手工演算过程。

3.使用朴素贝叶斯模型对iris数据集进行花分类。

尝试使用3种不同类型的朴素贝叶斯：

• 高斯分布型
• 多项式型
• 伯努利型

并使用sklearn.model_selection.cross_val_score()，对各模型进行交叉验证。

from sklearn.datasets import load_iris
from sklearn.naive_bayes import GaussianNB
from sklearn.naive_bayes import MultinomialNB
from sklearn.naive_bayes import BernoulliNB
from sklearn.model_selection import cross_val_score
iris = load_iris()

# 高斯分布型
gnb = GaussianNB()
gnb_scores = cross_val_score(gnb,iris.data,iris.target,cv=10)
print(‘高斯分布型精确度:%.3f‘%gnb_scores.mean())

# 多项式型
mlt = MultinomialNB()
mlt_scores = cross_val_score(mlt,iris.data,iris.target,cv=10)
print(‘多项式型精确度:%.3f‘%mlt_scores.mean())

# 伯努利型
bnl = BernoulliNB()
bnl_scores = cross_val_score(bnl,iris.data,iris.target,cv=10)
print(‘多项式型精确度:%.3f‘%bnl_scores.mean())

　运行结果：

机器学习九

标签：朴素   mic   selection   class   alt   没有   ase   targe   idt   

原文地址：https://www.cnblogs.com/huangwenshuo/p/12844082.html