11.分类与监督学习，朴素贝叶斯分类算法
2021-01-25 19:13
标签：不同 bsp mic 导入数据 family ber ssi load 手工 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。 答：① 联系：分类和聚类都包含一个过程：对于想要分析的目标点，都会在数据集中寻找离它最近的点，即二者都用到了NN（Nears Neighbor）算法。 ② 区别：分类是为了确定一个点的类别，具体有哪些类别是已知的，常用算法是KNN算法，是一种无监督学习； 聚类是将一系列点分成若干类，事先是没有类别的，常用算法是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。 答：① 监督学习：从正确的例子中学习；每个实例都是由一个输入对象和一个期望的输出值组成；任务是分类和回归。 ② 无监督学习：缺乏足够的先验知识；在数据（没有被标记）中发现一些规律；任务是聚类和降维。 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 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
心梗 3 女 70-81 1 否 否
不稳定性心绞痛 4 女
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
心梗 10 男
1 否 否 7-14 心梗 11 女 >80 3 否 是
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
3 否 否
心梗 16 男 70-80 1 否 否 >14 心梗 17 男
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
3 否 否
不稳定性心绞痛 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。 运行结果如下： 11.分类与监督学习，朴素贝叶斯分类算法 标签：不同 bsp mic 导入数据 family ber ssi load 手工 原文地址：https://www.cnblogs.com/hs01/p/12858995.html
1 from sklearn.datasets import load_iris # 导入数据集
2 from sklearn.naive_bayes import GaussianNB, MultinomialNB, BernoulliNB # 导入3种不同类型的朴素贝叶斯API
3 from sklearn.model_selection import cross_val_score # 交叉验证
4
5 # 引入数据集
6 iris = load_iris()
7 # 分割数据集
8 x = iris[‘data‘]
9 y = iris[‘target‘]
10
11 # 高斯分布型
12 GNB_model = GaussianNB() # 构建模型
13 GNB_model.fit(x, y) # 训练模型
14 GNB_pre = GNB_model.predict(x) # 预测模型
15 # 进行交叉验证
16 GNB_score = cross_val_score(GNB_model, x, y, cv=10)
17 print("高斯分布型的朴素贝叶斯:")
18 print("模型的平均精度：%.3f\n" % GNB_score.mean())
19
20 # 多项式型
21 MNB_model = MultinomialNB() # 构建模型
22 MNB_model.fit(x, y) # 训练模型
23 MNB_pre = MNB_model.predict(x) # 预测模型
24 # 进行交叉验证
25 MNB_score = cross_val_score(MNB_model, x, y, cv=10)
26 print("多项式型的朴素贝叶斯:")
27 print("模型的平均精度：%.3f\n" % MNB_score.mean())
28
29 # 伯努利型
30 BNB_model = BernoulliNB() # 构建模型
31 BNB_model.fit(x, y) # 训练模型
32 BNB_pre = BNB_model.predict(x) # 预测模型
33 # 进行交叉验证
34 BNB_score = cross_val_score(BNB_model, x, y, cv=10)
35 print("伯努利型的朴素贝叶斯:")
36 print("模型的平均精度：%.3f\n" % BNB_score.mean())
下一篇：Java入门之一
文章标题：11.分类与监督学习，朴素贝叶斯分类算法
文章链接：http://soscw.com/index.php/essay/46922.html