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：分类与聚类都是对对象的一种划分。
分类是我们给对象分为几个类。聚类是我们把相似的东西集中在一起。
分类要事先定义好类别 ，类别数不变 。聚类的类别是在聚类过程中自动生成的。
分类器的构造方法有统计方法、机器学习方法、神经网络方法等等。
常见的聚类算法包括：K-均值聚类算法、K-中心点聚类算法、CLARANS、 BIRCH、CLIQUE、DBSCAN等。
简述什么是监督学习与无监督学习。
监督学习可以用于映射出该实例的类别。
无监督学习，我们只知道特征，并不知道答案，不同的实例具有一定的相似性，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。
3.编程实现朴素贝叶斯分类算法
利用训练数据集，建立分类模型。
输入待分类项，输出分类结果。
可以心脏情患者的临床数据为例，但要对数据预处理。
from sklearn.datasets import load_iris iris = load_iris() iris.data[55] iris.target[55] from sklearn.naive_bayes import GaussianNB gnb = GaussianNB() gnb.fit(iris.data,iris.target) gnb.predict([iris.data[12]])