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。