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。

高斯朴素贝叶斯算法

from sklearn.datasets import load_iris #导入鸢尾花数据
from sklearn.naive_bayes import GaussianNB #高斯朴素贝叶斯
iris=load_iris()
gnb=GaussianNB() #构建模型
gnbf=gnb.fit(iris.data,iris.target) #训练模型
gnb_pre=gnbf.predict(iris.data) #预测
# iris.target是数据本来的标签，gnb_pre是特征进行模型训练后，预测后得到的预测值，进行对比，得到不同结果的总数
print("高斯朴素贝叶斯算法预测不符合数据个数: %d" %((iris.target != gnb_pre).sum()))
# 进行交叉验证
from sklearn.model_selection import cross_val_score
#数据集分为10份，9份训练，1份评估
gnb_score=cross_val_score(gnb,iris.data,iris.target,cv=10)
print("高斯朴素贝叶斯算法准确率为：",gnb_score.mean())

运行结果：

多项式型

# 多项式朴素贝叶斯
from sklearn.datasets import load_iris #导入鸢尾花数据
from sklearn.naive_bayes import MultinomialNB #高斯朴素贝叶斯
iris=load_iris()
mnb=MultinomialNB() #构建模型
mnbf=mnb.fit(iris.data,iris.target) #训练模型
mnb_pre=mnbf.predict(iris.data) #预测
print("多项式型朴素贝叶斯算法预测不符合数据个数: %d" %((iris.target != mnb_pre).sum()))
# 进行交叉验证
from sklearn.model_selection import cross_val_score
#数据集分为10份，9份训练，1份评估
mnb_score=cross_val_score(mnb,iris.data,iris.target,cv=10)
print("多项式型朴素贝叶斯算法准确率为：",mnb_score.mean())

运行结果：

伯努利型

#伯努利朴素贝叶斯
from sklearn.datasets import load_iris #导入鸢尾花数据
from sklearn.naive_bayes import BernoulliNB #高斯朴素贝叶斯
iris=load_iris()
bnb=BernoulliNB() #构建模型
bnbf=bnb.fit(iris.data,iris.target) #训练模型
bnb_pre=bnbf.predict(iris.data) #预测
print("伯努利型朴素贝叶斯算法预测不符合数据个数: %d" %((iris.target != bnb_pre).sum()))
# 进行交叉验证
from sklearn.model_selection import cross_val_score
#数据集分为10份，9份训练，1份评估
bnb_score=cross_val_score(bnb,iris.data,iris.target,cv=10)
print("伯努利型朴素贝叶斯算法准确率为：",bnb_score.mean())

运行结果：