10.分类与监督学习,朴素贝叶斯分类算法

RememberMePlease 2020-05-12

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。

  联系:分类与聚类都是在数据集中寻找离自己最近的点

  区别:分类是一种有监督学习,目的是为了确定点的类别,而类别是已知的;聚类是一种无监督学习,目的是将点分为成若干个类,事先是没有类别的。

  监督学习:在监督学习中的数据是带有标签的,知道输入和输出结果之间的关系,通过训练得到一个最优的模型

  无监督学习:在无监督学习中数据是没有标签·的,不清楚数据、特征之间的关系,比起监督学习,无监督学习更像是让机器学会自己做事,自学

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>8017-14心梗
270-802<7心梗
370-811<7不稳定性心绞痛
4<701>14心梗
570-8027-14心梗
6>8027-14心梗
770-8017-14心梗
870-8027-14心梗
970-801<7心梗
10<7017-14心梗
11>803<7心梗
1270-8017-14心梗
13>8037-14不稳定性心绞痛
1470-803>14不稳定性心绞痛
15<703<7心梗
1670-801>14心梗
17<7017-14心梗
1870-801>14心梗
1970-8027-14心梗
20<703<7不稳定性心绞痛


10.分类与监督学习,朴素贝叶斯分类算法

心梗的可能性更大

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, MultinomialNB, BernoulliNB
from sklearn.model_selection import cross_val_score

# Prepare for Three types of Naive Bayes
iris = load_iris()
x = iris[‘data‘]
y = iris[‘target‘]

#高斯分布
GNB_model = GaussianNB()
GNB_model.fit(x, y)
GNB_pre = GNB_model.predict(x)
GNB_score = cross_val_score(GNB_model, x, y, cv=10)
print("高斯分布模型准确率:%.6f" % GNB_score.mean())

#多项式
MNB_model = MultinomialNB()
MNB_model.fit(x, y)
MNB_pre = MNB_model.predict(x)
# Validate
MNB_score = cross_val_score(MNB_model, x, y, cv=10)
print("多项式模型准确率:%.6f" % MNB_score.mean())

#伯努利型
BNB_model = BernoulliNB()
BNB_model.fit(x, y)
BNB_pre = BNB_model.predict(x)
BNB_score = cross_val_score(BNB_model, x, y, cv=10)
print("伯努利模型准确率:%.6f" % BNB_score.mean())

10.分类与监督学习,朴素贝叶斯分类算法

相关推荐