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。
（1）分类：给数据贴标签，通过分析已有的数据特征，对数据分成几类，已知分类结果。然后引入新数据对其归类。分类可以提高认知效率，较低认知成本。

（2）聚类：不知分类结果，通过数据一定的相似性，把那些相似的数据聚集在一起。

 

简述什么是监督学习与无监督学习。

监督学习：

（1）每个实例都是由一组特征和一个类别结果。

（2）用有标注的数据训练模型，并产生一个推断的功能。

（3）对于新的实例，可以用于映射出该实例的类别.

无监督学习：

（1）我们只知道一些特征，并不知道答案

（2）但不同实例具有一定的相似性

（3）把那些相似的聚集在一起

 

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？

上传演算过程。

 

 

转载于:https://www.cnblogs.com/nuan-z/p/9979463.html