11.理解分类与监督学习聚类与无监督学习。

Posted zengyf

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.理解分类与监督学习聚类与无监督学习。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。

  联系:分类与聚类都是通过预处理使得数据能基于一个分析目标而被整理。

  区别:分类是有监督,靠的是学习;

     聚类无监督,靠的是启发式搜索。

简述什么是监督学习与无监督学习。

  有监督学习:事先知道训练样本的标签,通过挖掘将属于不同类别标签的样本分开,可利用得到的分类模型,预测样本属于哪个类别;

  无监督学习:事先不知道样本的类别标签,通过对相关属性的分析,将具有类似属性的样本聚成一类。

 

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<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

 

2.

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。

from sklearn.datasets import load_iris
from sklearn.naive_bayes import GaussianNB
from sklearn.naive_bayes import MultinomialNB
from sklearn.naive_bayes import BernoulliNB
from sklearn.model_selection import cross_val_score

# 引入鸢尾花数据集
iris = load_iris()

# 高斯分布型
g = GaussianNB()  # 建立模型
g_model = g.fit(iris.data, iris.target)  # 模型训练
g_pre = g_model.predict(iris.data)  # 预测模型
print("高斯分布模型准确率:", sum(g_pre == iris.target) / len(iris.target))

# 多项式型
m = MultinomialNB()
m_model = m.fit(iris.data, iris.target)
m_pre = m_model.predict(iris.data)
print("多项式模型准确率:", sum(m_pre == iris.target) / len(iris.target))

# 伯努利型
b = BernoulliNB()
b_model = b.fit(iris.data, iris.target)
b_pre = b.predict(iris.data)
print("伯努利模型准确率:", sum(b_pre == iris.target) / len(iris.target))

#交叉验证
print("
------交叉验证------")
# 高斯分布型
g = GaussianNB()
g_scores = cross_val_score(g, iris.data, iris.target, cv=10)
print(高斯分布型精确度:%.2f % g_scores.mean())

# 多项式型
m = MultinomialNB()
m_scores = cross_val_score(m, iris.data, iris.target, cv=10)
print(多项式型精确度:%.2f % m_scores.mean())

# 伯努利型
b = BernoulliNB()
b_scores = cross_val_score(b, iris.data, iris.target, cv=10)
print(多项式型精确度:%.2f % b_scores.mean())

 

结果:

技术图片

 

以上是关于11.理解分类与监督学习聚类与无监督学习。的主要内容,如果未能解决你的问题,请参考以下文章

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

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