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