11.分类与监督学习,朴素贝叶斯分类算法

yuanran0 2020-05-10

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。

分类的目的是 为了确定一个点的类别,具体有哪些类别是已知的,而聚类的目的是将一系列的点分成若干类,事先是没有类别的。

他们的联系:两者都是要从数据集中寻找到离目标点最近的点(数据)。

监督学习:从给定的训练数据集中学习出一个函数,当新的数据到来时,可以根据这个函数预测结果。监督学习就是最常见的分类问题,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。也就具有了对未知数据分类的能力。监督学习的目标往往是让计算机去学习我们已经创建好的分类系统。

无监督学习:输入数据没有被标记,也没有确定的结果。样本数据类别未知,需要根据样本间的相似性对样本集进行分类,试图使类内差距最小化,类间差距最大化。通俗点将就是实际应用中,不少情况下无法预先知道样本的标签,也就是说没有训练样本对应的类别,因而只能从原先没有样本标签的样本集开始学习分类器设计。

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

>80

1

7-14

心梗

2

70-80

2

<7

心梗

3

70-81

1

<7

不稳定性心绞痛

4

<70

1

>14

心梗

5

70-80

2

7-14

心梗

6

>80

2

7-14

心梗

7

70-80

1

7-14

心梗

8

70-80

2

7-14

心梗

9

70-80

1

<7

心梗

10

<70

1

7-14

心梗

11

>80

3

<7

心梗

12

70-80

1

7-14

心梗

13

>80

3

7-14

不稳定性心绞痛

14

70-80

3

>14

不稳定性心绞痛

15

<70

3

<7

心梗

16

70-80

1

>14

心梗

17

<70

1

7-14

心梗

18

70-80

1

>14

心梗

19

70-80

2

7-14

心梗

20

<70

3

<7

不稳定性心绞痛

11.分类与监督学习,朴素贝叶斯分类算法

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()
x = iris[‘data‘]
y = iris[‘target‘]

# 高斯分布型
gnb = GaussianNB() #建立模型
gnb.fit(x , y)  #模型训练
gnb_pre = gnb.predict(x)   #分类预测
gnb_scores =cross_val_score(gnb, x, y, cv=10) #进行交叉验证
print("交叉验证后的精度:",gnb_scores.mean())

# 多项式型
mnb = MultinomialNB() #建立模型
mnb.fit(x , y)  #模型训练
mnb_pre = mnb.predict(x)   #分类预测
mnb_scores =cross_val_score(mnb, x, y, cv=10) #进行交叉验证
print("交叉验证后的精度:",mnb_scores.mean())

# 伯努利型
bnb = BernoulliNB() #建立模型
bnb.fit(x , y)  #模型训练
bnb_pre = bnb.predict(x)   #分类预测
bnb_scores =cross_val_score(bnb, x, y, cv=10) #进行交叉验证
print("交叉验证后的精度:",bnb_scores.mean())

11.分类与监督学习,朴素贝叶斯分类算法

 11.分类与监督学习,朴素贝叶斯分类算法

 11.分类与监督学习,朴素贝叶斯分类算法

相关推荐