机器学习11- 分类与监督学习,朴素贝叶斯分类算法

Posted fishmark

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习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。

分类与聚类的区别:是否有已知分类的条件。分类没有,聚类有。

监督学习:已知某些类别的情况下,即具有事先标记的数据,通过特征分析来学习的一类算法。

无监督学习:不具有事先标签的数据,缺乏先验知识进行,在未被标记数据中发现一定规律进行的一类算法。

 

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

>80

1

7-14

心梗

2

70-80

2

<7

心梗

3

70-81

1

<7

不稳定性心绞痛

4

<70

1

>14

心梗

5

70-80

2

7-14

心梗

6

>80

2

7-14

心梗

7

70-80

1

7-14

心梗

8

70-80

2

7-14

心梗

9

70-80

1

<7

心梗

10

<70

1

7-14

心梗

11

>80

3

<7

心梗

12

70-80

1

7-14

心梗

13

>80

3

7-14

不稳定性心绞痛

14

70-80

3

>14

不稳定性心绞痛

15

<70

3

<7

心梗

16

70-80

1

>14

心梗

17

<70

1

7-14

心梗

18

70-80

1

>14

心梗

19

70-80

2

7-14

心梗

20

<70

3

<7

不稳定性心绞痛

 

技术图片

 

 

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。

技术图片

 

 技术图片

 

 1 from sklearn.datasets import load_iris   #导入鸢尾花数据
 2 from sklearn.naive_bayes import GaussianNB     # 高斯分布型
 3 from sklearn.naive_bayes import MultinomialNB  # 多项式型
 4 from sklearn.naive_bayes import BernoulliNB    # 伯努利型
 5 from sklearn.model_selection import cross_val_score   ##交叉验证
 6 
 7 iris = load_iris()# 数据提取
 8 
 9 gnb = GaussianNB() # 建立高斯分布模型
10 mnb = MultinomialNB()# 建立多项式模型
11 bnb = BernoulliNB()# 建立伯努利模型
12 # 分别对模型进行训练
13 gnb_pre = gnb.fit(iris.data, iris.target)
14 mnb_pre = mnb.fit(iris.data, iris.target)
15 bnb_pre = bnb.fit(iris.data, iris.target)
16 # 对数据进行分类预测
17 y_gnb = gnb_pre.predict(iris.data)
18 y_mnb = mnb_pre.predict(iris.data)
19 y_bnb = bnb_pre.predict(iris.data)
20 
21 print("GNB预测总数:", iris.data.shape[0])
22 print("GNB预测正确个数:",(iris.target == y_gnb).sum())
23 print("MNB预测总数:", iris.data.shape[0])
24 print("MNB预测正确个数:",(iris.target == y_mnb).sum())
25 print("BNB预测总数:", iris.data.shape[0])
26 print("BNB预测正确个数:",(iris.target == y_bnb).sum())
27 
28 # 分别进行交叉验证
29 gnb_scores = cross_val_score(gnb, iris.data, iris.target, cv=10)
30 print("GNB Accuracy:%.6f" % gnb_scores.mean())
31 mnb_scores = cross_val_score(mnb, iris.data, iris.target, cv=10)
32 print("MNB Accuracy:%.6f" % mnb_scores.mean())
33 bnb_scores = cross_val_score(bnb, iris.data, iris.target, cv=10)
34 print("BNB Accuracy:%.6f" % bnb_scores.mean())

 

以上是关于机器学习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

机器学习——11.分类与监督学习,朴素贝叶斯分类算法

机器学习——11.分类与监督学习,朴素贝叶斯分类算法

机器学习10 11.分类与监督学习,朴素贝叶斯分类算法

机器学习10 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