1.理解分類與監督學習、聚類與無監督學習。

簡述分類與聚類的聯系與區別。

分類指監督學習，就是按照某種標準給對象貼標簽，再根據標簽來區分歸類。

聚類是指事先沒有“標簽”而通過某種成團分析找出事物之間存在聚集性原因的過程。指無監督學習，是指根據“物以類聚”的原理，將本身沒有類別的樣本聚集成不同的組，這樣的一組數據對象的集合叫做簇，並且對每一個這樣的簇進行描述的過程。

區別是，分類是事先定義好類別 ，聚類則沒有事先預定的類別。

簡述什麽是監督學習與無監督學習。

監督學習指通過已有的訓練樣本來訓練，從而得到一個最優模型，再利用這個模型將所有新的數據樣本映射為相應的輸出結果，對輸出結果進行簡單的判斷從而實現分類的目的，那麽這個最優模型也就具有了對未知數據進行分類的能力。

無監督學習則是在我們事先沒有任何訓練樣本，需要直接對數據進行建模。我們只知道一些特征，並不知道答案，但不同實例具有一定的相似性，然後把那些相似的聚集在一起

2.樸素貝葉斯分類算法 實例

利用關於心臟情患者的臨床數據集，建立樸素貝葉斯分類模型。

有六個分類變量(分類因子)：性別，年齡、KILLP評分、飲酒、吸煙、住院天數

目標分類變量疾病：–心梗–不穩定性心絞痛

新的實例：–(性別=‘男’，年齡<70, KILLP=‘I‘，飲酒=‘是’，吸煙≈‘是”，住院天數<7)

最可能是哪個疾病？

上傳演算過程。

所以最可能得心梗。

3.編程實現樸素貝葉斯分類算法

利用訓練數據集，建立分類模型。

輸入待分類項，輸出分類結果。

可以心臟情患者的臨床數據為例，但要對數據預處理。

from sklearn.datasets import load_iris
iris = load_iris()
print(iris.keys())
  
from sklearn.cluster import KMeans
est = KMeans(n_clusters=4)#聚成四類
est.fit(iris.data)#計算
print(est.labels_)#聚類結果
  
print(iris.target)
  
from sklearn.naive_bayes import GaussianNB
gnb 
 
= GaussianNB()#建立模型
gnb.fit(iris.data,iris.target)#訓練
print(gnb.predict([iris.data[100]]))#預測結果
print(gnb.predict([[4.8,1.2,3.8,1.4]]))

分類與監督學習