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。简述什么是监督学习与无监督学习。
联系：分类与聚类都是在数据集中寻找离自己最近的点
区别：分类是一种有监督学习，目的是为了确定点的类别，而类别是已知的；聚类是一种无监督学习，目的是将点分为成若干个类，事先是没有类别的。
监督学习：在监督学习中的数据是带有标签的，知道输入和输出结果之间的关系，通过训练得到一个最优的模型
无监督学习：在无监督学习中数据是没有标签·的，不清楚数据、特征之间的关系，比起监督学习，无监督学习更像是让机器学会自己做事，自学
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 |
心梗的可能性更大
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, MultinomialNB, BernoulliNB
from sklearn.model_selection import cross_val_score
# Prepare for Three types of Naive Bayes
iris = load_iris()
x = iris['data']
y = iris['target']
#高斯分布
GNB_model = GaussianNB()
GNB_model.fit(x, y)
GNB_pre = GNB_model.predict(x)
GNB_score = cross_val_score(GNB_model, x, y, cv=10)
print("高斯分布模型准确率：%.6f" % GNB_score.mean())
#多项式
MNB_model = MultinomialNB()
MNB_model.fit(x, y)
MNB_pre = MNB_model.predict(x)
# Validate
MNB_score = cross_val_score(MNB_model, x, y, cv=10)
print("多项式模型准确率：%.6f" % MNB_score.mean())
#伯努利型
BNB_model = BernoulliNB()
BNB_model.fit(x, y)
BNB_pre = BNB_model.predict(x)
BNB_score = cross_val_score(BNB_model, x, y, cv=10)
print("伯努利模型准确率：%.6f" % BNB_score.mean())
