11.分类与监督学习,朴素贝叶斯分类算法
Posted fzybk
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11.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。
简述什么是监督学习与无监督学习。
分类是为了确定点的类别,具体有哪些类别是已知的,是监督学习。
聚类是把点成若干类,事先是没有类别的,是一种无监督学习。
监督学习:从正确的例子中学习
无监督学习:缺乏足够的先验知识
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 |
男 |
>80 |
1 |
是 |
是 |
7-14 |
心梗 |
2 |
女 |
70-80 |
2 |
否 |
是 |
<7 |
心梗 |
3 |
女 |
70-81 |
1 |
否 |
否 |
<7 |
不稳定性心绞痛 |
4 |
女 |
<70 |
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 |
<7 |
心梗 |
10 |
男 |
<70 |
1 |
否 |
否 |
7-14 |
心梗 |
11 |
女 |
>80 |
3 |
否 |
是 |
<7 |
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 |
<70 |
3 |
否 |
否 |
<7 |
心梗 |
16 |
男 |
70-80 |
1 |
否 |
否 |
>14 |
心梗 |
17 |
男 |
<70 |
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 |
<70 |
3 |
否 |
否 |
<7 |
不稳定性心绞痛 |
设特征 性别=‘男’,年龄<70, KILLP=‘I‘,饮酒=‘是’,吸烟≈‘是”,住院天数<7 分别为x1,x2,x3,x4,x5,x6
X为患此病且符合特征的概率,y1为患心梗概率,y2为患不稳定性心绞痛概率。
首先患心梗的概率为P(y1)=16/20=4/5
患不稳定性心绞痛的概率为P(y2)=1/5
所以患心梗且性别男的概率即为
P(x1|y1)=7/16
同样的可以找出患心梗且拥有其他特征的
P(x2|y1)=4/16=1/4 P(x3|y1)=9/16
P(x4|y1)=3/16 P(x5|y1)=7/16
P(x6|y1)=4/16=1/4
P(X|y1)=P(x1|y1)P(x2|y1)P(x3|y1)P(x4|y1)P(x5|y1)P(x6|y1)
男的患有心脏病的概率
P(x1)=8/20
年龄<70患有心脏病的概率
P(x2)=5/20
······
P(x3)= 10/20 P(x4)=4/20 P(x5)=9/20 P(x6)=6/20
P(X)=P(x1)P(x2)P(x3)P(x4)P(x5)P(x6)
又由朴素贝叶斯定理可得
可得
患有心梗的概率为:≈75%
所以患有不稳定性心绞痛的概率为:≈25%
所以该男子最有可能患有心梗。
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。
以上是关于11.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