11.分类与监督学习，朴素贝叶斯分类算法

标签：简单的   目的   data   手工   rom   png   分类算法   需要   mamicode   

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。

简述什么是监督学习与无监督学习。

  分类：根据一些给定的已知类别标号的样本，训练某种学习机器（即得到某种目标函数），使它能够对未知类别的样本进行分类。

  聚类：聚类的时候，我们并不关心某一类是什么，我们需要实现的目标只是把相似的东西聚到一起。

  监督学习：通过已有的训练样本去训练得到一个最优模型，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。

  无监督学习：与监督学习不同，不准备任何训练样本，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。

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

代码：

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()
#多项式型
mnb = MultinomialNB()
#伯努利型
bnb = BernoulliNB()

# 交叉验证
#高斯分布型
scores_gnb = cross_val_score(gnb, iris.data, iris.target, cv = 20)
#多项式型
scores_mnb = cross_val_score(mnb, iris.data, iris.target, cv = 20)
#伯努利型
scores_bnb = cross_val_score(bnb, iris.data, iris.target, cv = 20)

print("高斯分布型:",scores_gnb.mean())
print("多项式型:",scores_mnb.mean())
print("伯努利型:",scores_bnb.mean())

11.分类与监督学习，朴素贝叶斯分类算法

标签：简单的   目的   data   手工   rom   png   分类算法   需要   mamicode   

原文地址：https://www.cnblogs.com/chenjd/p/12869107.html