11.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：分类和聚类都是把每一条记录归应到对应的类别，对于想用分析的目标点，都会在数据集寻找离它最近的点，二个都用到了NN算法，结果是一样的。

区别：对于分类来说，在对数据集分类时，我们是知道这个数据集是有多少种类的，比如对一个学校的在校大学生进行性别分类，我们会下意识很清楚知道分为“男”,“女”，也是一种监督学习，一般用KNN算法。

 而对于聚类来说，在对数据集操作时，我们是不知道该数据集包含多少类，我们要做的，是将数据集中相似的数据归纳在一起。比如预测某一学校的在校大学生的好朋友团体，我们不知道大学生和谁玩的好玩的不好，我们通过他们的相似度进行聚类，聚成n个团体，这就是聚类，一般用K-Means算法。

简述什么是监督学习与无监督学习。

监督学习：通过已有的训练样本去训练得到一个最优模型，再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据进行分类的能力。

无监督学习：在于我们事先没有任何训练样本，而需要直接对数据进行建模。

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。

解：设x(x1~x6)为人的特征，y(y1:心梗，y2:不稳定性心绞痛)

性别为男的个数为8

年龄<7的个数为5

 KILLP=‘I‘个数为9

饮酒=‘是’个数为4

吸烟=‘是”个数为10

住院天数<7个数为6

概率p(心脏病)=8/20+5/20+9/20+4/20+10/20+6/20=2/5+1/4+9/20+1/5+1/2+3/10=0.00135

       患有心梗疾病的个数为16，概率P(心梗)=16/20=4/5

　   在心梗的前提下是男性的个数为：7，概率P(男|心梗)=7/16

在心梗的前提下是年龄<70的个数为：4，概率P(年龄<70|心梗)=4/16=1/4

在心梗的前提下是KILLP=’1’的个数为：9，概率P(KILLP=’1’|心梗)=9/16

在心梗的前提下是饮酒=‘是’的个数为：3，概率P(饮酒=‘是’|心梗)=3/16

在心梗的前提下是吸烟=‘是’的个数为：7，概率P(吸烟=‘是’|心梗)=7/16

在心梗的前提下是住院天数<7的个数为：4，概率P(住院天数<7|心梗)=4/16=1/4

 p(心梗|心脏病)=（4/5+7/16+1/4+9/16+3/16+7/16+1/4）/  0.00135 =74.3%