分类与监督学习,朴素贝叶斯分类算法

Posted zengl

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了分类与监督学习,朴素贝叶斯分类算法相关的知识,希望对你有一定的参考价值。

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。

聚类是指事先没有“标签”而通过某种成团分析找出事物之间存在聚集性原因的过程。

分类是根据文本的特征或属性,划分到已有的类别中。也就是说,这些类别是已知的,通过对已知分类的数据进行训练和学习,找到这些不同类的特征,再对未分类的数据进行分类。

 

简述什么是监督学习与无监督学习。

监督学习:针对的是有标签的数据集,对具有概念标记的训练样本进行学习,以尽可能对训练样本集外的数据进行标记预测。

无监督学习:针对的是没有标签的数据集,对没有概念标记的训练样本进行学习,以发现训练样本集中的结构性知识。

 

朴素贝叶斯分类算法 实例

  • 利用关于心脏情患者的临床数据集,建立朴素贝叶斯分类模型。
  • 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?
  • 上传演算过程。

编程实现朴素贝叶斯分类算法

  • 利用训练数据集,建立分类模型。
  • 输入待分类项,输出分类结果。
  • 可以心脏情患者的临床数据为例,但要对数据预处理。

sklearn内置

from sklearn.datasets import load_iris
from sklearn.naive_bayes import GaussianNB
iris = load_iris()
print(iris.data)

print(iris.data[95])

# 建立模型
gnb = GaussianNB()

# 训练
gnb.fit(iris.data,iris.target)

# 预测
print(贝叶斯结果:,gnb.predict([iris.data[95]]))
print(贝叶斯结果:,gnb.predict(iris.data))


# KMeans 聚类
from sklearn.cluster import KMeans

# 配置,构建
est = KMeans(n_clusters = 4)

# 计算
est.fit(iris.data)

# 聚类结果
print(KMeans聚类:,est.labels_)

 

以上是关于分类与监督学习,朴素贝叶斯分类算法的主要内容,如果未能解决你的问题,请参考以下文章

分类与监督学习,朴素贝叶斯分类算法

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

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