机器学习——11.分类与监督学习，朴素贝叶斯分类算法

标签：inf   img   目标   朴素贝叶斯   决策   kill   mamicode   body   ima   

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。

联系：都是对数据进行划分的方法

区别：分类就是“贴标签”，在事先已有的类中按这些类的性质来进行划分，要做的就是将每一条记录分别属于哪一类标记出来，常用算法KNN，是一种有监督学习；

聚类是在事先没有类，没有训练条件的情况下，根据数据相似性来把样本划分为若干类，常用算法k-means算法，是一种无监督学习。

简述什么是监督学习与无监督学习。

 监督学习：监督学习是从标记的训练数据来推断一个功能的机器学习任务。就是在有样本的情况下，根据样本属性来判断某数据属于什么类型。监督学习的算法有神经网络算法、决策树学习算法，主要是用于分类、回归。

无监督学习：根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。就是在无样本的情况下，根据相似性来判断某数据属于什么类型。无监督学习里典型例子是聚类、降维。

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。

机器学习——11.分类与监督学习，朴素贝叶斯分类算法

标签：inf   img   目标   朴素贝叶斯   决策   kill   mamicode   body   ima   

原文地址：https://www.cnblogs.com/lcj170/p/12875692.html