机器学习十一 ——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。
联系：均是用于对数据进行分类的机器学习方法
区别：
| 分类 | 聚类 |
| 监督学习 | 无监督学习 |
| 有标签的和无标签的都有 | 数据无标签 |
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 |
由表格可知
心梗条件下：
P(男 | 心梗) = 7/16
P(年龄<70 | 心梗) = 4/16
P( KILLP=‘I' | 心梗) = 9/16
P( 饮酒=‘是’ | 心梗) = 3/16
P( 吸烟=‘是’ | 心梗) = 7/16
P( 住院天数<7 | 心梗) = 4/16
不稳定性心绞痛条件下：
P(男 | 不稳定性心绞痛) = 1/4
P(年龄<70 | 不稳定性心绞痛) = 1/4
P( KILLP=‘I' | 不稳定性心绞痛) = 1/4
P( 饮酒=‘是’ | 不稳定性心绞痛) = 1/4
P( 吸烟=‘是’ | 不稳定性心绞痛) = 1/2
P( 住院天数<7 | 不稳定性心绞痛)= 1/2
设X为各特征的集合{性别=“男”、年龄<70，KILLP=‘I' ，饮酒=‘是‘， 吸烟=‘是’ ，住院天数<7},Y1为心梗，Y2为不稳定性心绞痛，根据贝叶斯定理
P(Y1 | X) = （ P(X | Y1)P(Y1) ）/ P(X)
P(Y2 | X) = （ P(X | Y2)P(Y2) ）/ P(X)
要比较P(Y1 | X)和P(Y2 | X) 哪一个概率更大，因为分母相同，所以直接比较分子即可
P(X | Y1)P(Y1) = P(男 | 心梗) * P(年龄<70 | 心梗)* P( KILLP=‘I' | 心梗)*P( 饮酒=‘是’ | 心梗) *P( 吸烟=‘是’ | 心梗)*P( 住院天数<7 | 心梗)
= 7/16 * 4/16 * 9/16 * 3/16 * 7/16 * 4/16 = 0.01614
P(X | Y2)P(Y2) = P(男 | 不稳定性心绞痛) * P(年龄<70 | 不稳定性心绞痛)* P( KILLP=‘I' | 不稳定性心绞痛)*P( 饮酒=‘是’ | 不稳定性心绞痛) *P( 吸烟=‘是’ | 不稳定性心绞痛)*P( 住院天数<7 | 不稳定性心绞痛)
= 1/4 * 1/4 * 1/4 * 1/4 * 1/2 * 1/2 = 0.00312
因为P(X | Y1)P(Y1) > P(X | Y2)P(Y2) ,
所以该新实例最可能得的是心梗。
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() #建模型 GNB_Model = GaussianNB() MNB_Model = MultinomialNB() BNB_Model = BernoulliNB() #训练模型 GNB_pre = GNB_Model.fit(iris.data,iris.target) MNB_pre = MNB_Model.fit(iris.data,iris.target) BNB_pre = BNB_Model.fit(iris.data,iris.target) #分类预测 y_GNB = GNB_pre.predict(iris.data) y_MNB = MNB_pre.predict(iris.data) y_BNB = BNB_pre.predict(iris.data) #查看预测结果 print("GNB预测总数:", iris.data.shape[0]) print("GNB预测正确个数:",(iris.target == y_GNB).sum()) print("MNB预测总数:", iris.data.shape[0]) print("MNB预测正确个数:",(iris.target == y_MNB).sum()) print("BNB预测总数:", iris.data.shape[0]) print("BNB预测正确个数:",(iris.target == y_BNB).sum()) #交叉验证 GNB_scores = cross_val_score(GNB_Model,iris.data,iris.target,cv=10) print("高斯分布模型交叉验证平均准确度：",GNB_scores.mean()) MNB_scores = cross_val_score(MNB_Model,iris.data,iris.target,cv=10) print("多项式模型交叉验证平均准确度：",MNB_scores.mean()) BNB_scores = cross_val_score(BNB_Model,iris.data,iris.target,cv=10) print("伯努利模型交叉验证平均准确度：",BNB_scores.mean())
结果：
学习链接：
