11.分类与监督学习，朴素贝叶斯分类算法

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。

答： 分类是事先定义好类别 ，类别数不变 ，属于有监督学习；

        聚类则没有事先预定的类别，类别数不确定，属于非监督学习。

简述什么是监督学习与无监督学习。

答：监督学习（supervised learning）：通过已有的训练样本（即已知数据以及其对应的输出）来训练，从而得到一个最优模型，再利用这个模型将所有新的数据样本映射为相应的输出结果，对输出结果进行简单的判断从而实现分类的目的，那么这个最优模型也就具有了对未知数据进行分类的能力。

      无监督学习中，数据是没有标签的或者是有一样的标签的。我们不知道数据的含义和作用，只知道是有一个数据集的。数据集可以判断是有两个数据集，自己进行分类，这就是聚类学习。

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

 

 

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, MultinomialNB, BernoulliNB
from sklearn.model_selection import cross_val_score
iris=load_iris()
# 分割数据集
data = iris['data']
target = iris['target']

# 1.高斯分布型
# 构建模型
GNB_model = GaussianNB()
# 训练模型
GNB_model.fit(data, target)
# 预测模型
GNB_pre = GNB_model.predict(data)
# 进行交叉验证
GNB_score = cross_val_score(GNB_model, data, target, cv=10)
print("高斯分布型的朴素贝叶斯:")
print("进行交叉验证后，模型的平均精度：%.2f\n" % GNB_score.mean())


# 2.多项式型
# 构建模型
MNB_model = MultinomialNB()
# 训练模型
MNB_model.fit(data, target)
# 预测模型
MNB_pre = MNB_model.predict(data)
# 进行交叉验证
MNB_score = cross_val_score(MNB_model, data, target, cv=10)
print("多项式型的朴素贝叶斯:")
print("进行交叉验证后，模型的平均精度：%.2f\n" % MNB_score.mean())

# 3.伯努利型
# 构建模型
BNB_model = BernoulliNB()
# 训练模型
BNB_model.fit(data, target)
# 预测模型
BNB_pre = BNB_model.predict(data)
# 进行交叉验证
BNB_score = cross_val_score(BNB_model, data, target, cv=10)
print("伯努利型的朴素贝叶斯:")
print("进行交叉验证后，模型的平均精度：%.2f\n" % BNB_score.mean())

 

 

标签：11,14,data,分类,贝叶斯,70,80,心梗,model
来源： https://www.cnblogs.com/lishishi0917/p/12860045.html