码迷,mamicode.com
首页 > 其他好文 > 详细

机器学习九

时间:2020-05-07 17:03:48      阅读:78      评论:0      收藏:0      [点我收藏+]

标签:朴素   mic   selection   class   alt   没有   ase   targe   idt   

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。

  • 聚类分析是研究如何在没有训练的条件下把样本划分为若干类。
  • 在分类中,已知存在哪些类,即对于目标数据库中存在哪些类是知道的,要做的就是将每一条记录分别属于哪一类标记出来。

简述什么是监督学习与无监督学习。

  • 监督学习:根据已有的数据集,知道输入和输出结果之间的关系。根据这种已知的关系,训练得到一个最优的模型。
  • 无监督学习:我们不知道数据集中数据、特征之间的关系,而是要根据聚类或一定的模型得到数据之间的关系。

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。

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
iris = load_iris()

# 高斯分布型
gnb = GaussianNB()
gnb_scores = cross_val_score(gnb,iris.data,iris.target,cv=10)
print(‘高斯分布型精确度:%.3f‘%gnb_scores.mean())

# 多项式型
mlt = MultinomialNB()
mlt_scores = cross_val_score(mlt,iris.data,iris.target,cv=10)
print(‘多项式型精确度:%.3f‘%mlt_scores.mean())

# 伯努利型
bnl = BernoulliNB()
bnl_scores = cross_val_score(bnl,iris.data,iris.target,cv=10)
print(‘多项式型精确度:%.3f‘%bnl_scores.mean())

 运行结果:

技术图片

 

机器学习九

标签:朴素   mic   selection   class   alt   没有   ase   targe   idt   

原文地址:https://www.cnblogs.com/huangwenshuo/p/12844082.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!