标签：sum color 计算 利用 gaussian 图片 port 因子 knn
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。
区别：
分类的目的是为确定一个点的类别，具体有哪些类别是已知的，常用算法是KNN，是一种有监督学习。
聚类的目的是将一系列点分为若干类，事先是没有类别的，常用算法是K-Means,是一种无监督学习。
联系：
两种的实现都包含这样一个过程：对于想要分析的目标点，都会在数据集中寻找离他最近的点，即两者都用到了NN算法。
简述什么是监督学习与无监督学习。
监督学习：是人们常说的分类，通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据进行分类的能力。
无监督学习：是另一种研究的比较多的学习方法，它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接对数据进行建模。
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。
|
|
性别 |
年龄 |
KILLP |
饮酒 |
吸烟 |
住院天数 |
疾病 |
|
1 |
男 |
>80 |
1 |
是 |
是 |
7-14 |
心梗 |
|
2 |
女 |
70-80 |
2 |
否 |
是 |
<7 |
心梗 |
|
3 |
女 |
70-81 |
1 |
否 |
否 |
<7 |
不稳定性心绞痛 |
|
4 |
女 |
<70 |
1 |
否 |
是 |
>14 |
心梗 |
|
5 |
男 |
70-80 |
2 |
是 |
是 |
7-14 |
心梗 |
|
6 |
女 |
>80 |
2 |
否 |
否 |
7-14 |
心梗 |
|
7 |
男 |
70-80 |
1 |
否 |
否 |
7-14 |
心梗 |
|
8 |
女 |
70-80 |
2 |
否 |
否 |
7-14 |
心梗 |
|
9 |
女 |
70-80 |
1 |
否 |
否 |
<7 |
心梗 |
|
10 |
男 |
<70 |
1 |
否 |
否 |
7-14 |
心梗 |
|
11 |
女 |
>80 |
3 |
否 |
是 |
<7 |
心梗 |
|
12 |
女 |
70-80 |
1 |
否 |
是 |
7-14 |
心梗 |
|
13 |
女 |
>80 |
3 |
否 |
是 |
7-14 |
不稳定性心绞痛 |
|
14 |
男 |
70-80 |
3 |
是 |
是 |
>14 |
不稳定性心绞痛 |
|
15 |
女 |
<70 |
3 |
否 |
否 |
<7 |
心梗 |
|
16 |
男 |
70-80 |
1 |
否 |
否 |
>14 |
心梗 |
|
17 |
男 |
<70 |
1 |
是 |
是 |
7-14 |
心梗 |
|
18 |
女 |
70-80 |
1 |
否 |
否 |
>14 |
心梗 |
|
19 |
男 |
70-80 |
2 |
否 |
否 |
7-14 |
心梗 |
|
20 |
女 |
<70 |
3 |
否 |
否 |
<7 |
不稳定性心绞痛 |
计算过程：
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：
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 # 导入数据集 from sklearn.naive_bayes import GaussianNB, MultinomialNB, BernoulliNB # 导入3种不同类型的朴素贝叶斯API from sklearn.model_selection import cross_val_score # 交叉验证 # 引入数据集 iris = load_iris() # 分割数据集 x = iris[‘data‘] y = iris[‘target‘] # 高斯分布型 GNB_model = GaussianNB() # 构建模型 GNB_model.fit(x, y) # 训练模型 GNB_pre = GNB_model.predict(x) # 预测模型 print("高斯分布型的朴素贝叶斯:") print("模型准确率：", sum(GNB_pre == y)/len(x)) # 进行交叉验证 GNB_score = cross_val_score(GNB_model, x, y, cv=10) print("交叉验证后模型的平均精度：%.2f\n" % GNB_score.mean()) # 多项式型 MNB_model = MultinomialNB() # 构建模型 MNB_model.fit(x, y) # 训练模型 MNB_pre = MNB_model.predict(x) # 预测模型 print("多项式型的朴素贝叶斯:") print("模型准确率：", sum(MNB_pre == y)/len(x)) # 进行交叉验证 MNB_score = cross_val_score(MNB_model, x, y, cv=10) print("交叉验证后模型的平均精度：%.2f\n" % MNB_score.mean()) # 伯努利型 BNB_model = BernoulliNB() # 构建模型 BNB_model.fit(x, y) # 训练模型 BNB_pre = BNB_model.predict(x) # 预测模型 print("伯努利型的朴素贝叶斯:") print("模型准确率：", sum(BNB_pre == y)/len(x)) # 进行交叉验证 BNB_score = cross_val_score(BNB_model, x, y, cv=10) print("交叉验证后模型的平均精度：%.2f\n" % BNB_score.mean())
实验截图：
标签：sum color 计算 利用 gaussian 图片 port 因子 knn
原文地址：https://www.cnblogs.com/a131452/p/12864506.html
