正文

11.分类与监督学习，朴素贝叶斯分类算法

fzybk  fzybk  2022-12-10  711

关键词：

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技术图片

可得

技术图片

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。

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。简述什么是监督学习与无监督学习。 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... 查看详情

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。简述什么是监督学习与无监督学习。 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... 查看详情

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(代码片段)

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... 查看详情

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。简述什么是监督学习与无监督学习。答：（1）联系：分类与聚类都是对对象的一种划分，两者都用到了NN算法。　　　　区别：分类是为了确... 查看详情

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：联系：聚类属于无监督学习，即模型训练过程中没有被目标标签监督。而分类属于监督学习，即其训练数据都标记了需要被预测的真实值。在很多... 查看详情

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。简述什么是监督学习与无监督学习。答：　（1）分类与聚类：　　　分类简单来说，就是根据文本的特征或属性，划分到已有的类别中。也就是说... 查看详情

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。简述什么是监督学习与无监督学习。对于分类来说，在对数据集分类时，我们是知道这个数据集是有多少种类的；而对于聚类来说，在对数据集操... 查看详情

11.分类与监督学习，朴素贝叶斯分类算法(代码片段)

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：根据一些给定的已知类别标号的样本，训练某种学习机器（即得到某种目标函数），使它能够对未知类... 查看详情

机器学习——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。联系：都是对数据进行划分的方法区别：分类就是“贴标签”，在事先已有的类中按这些类的性质来进行划分，要做的就是将每一条记录分别属... 查看详情

11.分类与监督学习，朴素贝叶斯分类算法(代码片段)

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：①联系：分类和聚类都包含一个过程：对于想要分析的目标点，都会在数据集中寻找离它最近的点，即二者都用到了NN（NearsNeighbor）算法。　　②... 查看详情

11.分类与监督学习，朴素贝叶斯分类算法(代码片段)

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。分类的目的是为了确定一个点的类别，具体有哪些类别是已知的，而聚类的目的是将一系列的点分成若干类，... 查看详情

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。联系：分类和聚类都是把每一条记录归应到对应的类别，对于想用分析的目标点，都会在数据集寻找离它最近的点，二个都用到了NN算法，结果是... 查看详情

11.分类与监督学习，朴素贝叶斯分类算法(代码片段)

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。答：（1）分类和聚类：　　联系：　　　　分类和聚类都是把每一条记录归应到相应的类别里，都包含这一过程，... 查看详情

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。简述什么是监督学习与无监督学习。 2.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... 查看详情

分类与监督学习，朴素贝叶斯分类算法(代码片段)

分类与监督学习，朴素贝叶斯分类算法

1、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：分类是一种有监督的算法，是在已经有目标分类的情况下对数据进行类别判断（朴素贝叶斯算法）。而聚类是一种无监督算法，是在建立模型... 查看详情

第十次11.分类与监督学习，朴素贝叶斯分类算法(代码片段)

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。区别：分类的目的是为确定一个点的类别，具体有哪些类别是已知的，常用算法是KNN，是一种有监督学习。聚类的目的是将一系列点分为若干类，事先... 查看详情