分类与监督学习，朴素贝叶斯分类算法
2021-01-28 01:15
标签：自己 sel 联系 ima cross 使用 多项式 height body 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。 分类与聚类都是分开几类，分类是根据历史经验，已知类别，监督学习，聚类是自己分析现有数据，无监督学习 监督学习利用历史数据分类，把已有数据代入。无监督学习是没有样本，将已有数据分类 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 0 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。 分类与监督学习，朴素贝叶斯分类算法 标签：自己 sel 联系 ima cross 使用 多项式 height body 原文地址：https://www.cnblogs.com/kkzg/p/12842159.html
