【第四章】分类算法与应用（1）

4.1分类算法概述

1、机器学习算法类型

①监督学习算法：就是我们教计算机如何做事情

②无监督学习算法：在非监督学习中，我们将让计算机自己学习。分为分类和回归

2、分类方法的定义

根据已知类别的训练集数据，建立分类模型，并利用该分类模型预测未知类别数据对象所属的类别

3、分类方法的应用

①模式识别（Pattern Recognition）：通过计算机用数学技术方法来研究模式的自动处理和判读

模式识别的目标往往是识别，即分析出待测试的样本所属的模式类别

②预测：从利用历史数据记录中自动推导出对给定数据的推广描述，从而能对未来数据进行类预测

4、分类器的构建图示

4.2概率模型

1、贝叶斯要解决的问题

①正向概率：假设袋子里有N个白球，M个黑球，随机摸一个，摸出黑球的概率有多大

②逆向概率:如果事先不知道袋子里黑白球的比例，随机摸出几个球，根据这些球的颜色，可以推测袋子里面的黑白球比例

2、贝叶斯公式

 3、朴素贝叶斯分类算法

①加载数据

from sklearn import datasets

iris = datasets.load_iris()

②导入模型

from sklearn.naive_bayes import GaussianNB

gnb = GaussianNB()

③训练模型+预测数据

y_pred = gnb.fit(iris.data, iris.target).predict(iris.data)

④输出

print("Number of mislabeled points out of a total %d points : %d"% (iris.data.shape[0],(iris.target != y_pred).sum()))