Python與機(jī)器學(xué)習(xí)（第2版）（微課版） 課件 4-03-樸素貝葉斯分類任務(wù)實施

主講人：陳清華樸素貝葉斯分類分析任務(wù)實施【數(shù)據(jù)挖掘應(yīng)用】課程性別分類分析熟練使用sklearn第三方包實現(xiàn)機(jī)器學(xué)習(xí)算法應(yīng)用；會應(yīng)用樸素貝葉斯算法實現(xiàn)分類分析；會使用MultinomialNB()對性別進(jìn)行分類分析與預(yù)測應(yīng)用。能力目標(biāo)主要內(nèi)容任務(wù)工單引導(dǎo)問題任務(wù)評價標(biāo)準(zhǔn)任務(wù)解決方案代碼解析使用樸素貝葉斯實現(xiàn)性別分類hw.csv教學(xué)難點任務(wù)工單樸素貝葉斯基于條件概率的思想，用來做分類決策?，F(xiàn)可基于前續(xù)任務(wù)(邏輯回歸)得到數(shù)據(jù)，使用樸素貝葉斯實現(xiàn)性別判定，并區(qū)分兩個算法的異同。任務(wù)概述

任務(wù)描述：基于身高、體重數(shù)據(jù)使用樸素貝葉斯實現(xiàn)分類分析。010010011001101010100100110110100101110101000100001011011101001010101101010011010010數(shù)據(jù)源hw.csv顯示結(jié)果

任務(wù)要求任務(wù)概述（1）樸素貝葉斯可以用來做性別判定嗎？試結(jié)合該應(yīng)用說明其中的原理。（2）樸素貝葉斯在sklearn中是如何實現(xiàn)的？具體有哪些實現(xiàn)的類？（3）試比較不同樸素貝葉斯實現(xiàn)的異同？說明GaussianNB()的適用范圍。（4）假設(shè)我們所使用的身高和體重數(shù)據(jù)是不精確的，范圍小、刻度大？用哪種方法更合適？（5）如何比較兩種不同分類模型的優(yōu)劣？”

問題引導(dǎo)：任務(wù)概述

任務(wù)評價：任務(wù)概述評價內(nèi)容評價要點分值分?jǐn)?shù)評定自我評價1.任務(wù)實施模型初始化3分包導(dǎo)入正確得1分，模型選用正確得1分，模型構(gòu)建正確得1分

模型訓(xùn)練1分模型訓(xùn)練順利執(zhí)行得1分

模型預(yù)測1分歷史數(shù)據(jù)及預(yù)測結(jié)果展現(xiàn)得1分

2.效果評估模型可視化并評估效果3分能正確展現(xiàn)模型得2分，模型準(zhǔn)確率90%以上得1分

3.任務(wù)總結(jié)依據(jù)任務(wù)實施情況總結(jié)結(jié)論2分總結(jié)內(nèi)容切中本任務(wù)的重點要點得1分，能有效比較方法異同得1分

合計10分

任務(wù)解決方案核心部分代碼：方案（1）fromsklearn.naive_bayesimportGaussianNB#建立樸素貝葉斯模型classifier=GaussianNB()#擬合classifier.fit(X,Y.values.ravel())#給出待預(yù)測的一個特征output=classifier.predict(X)output=output.reshape(len(output),1)任務(wù)解決方案核心部分代碼：方案（2）fromsklearn.naive_bayesimportMultinomialNB#建立模型

classifier=MultinomialNB()

#擬合

classifier.fit(X,Y.values.ravel())

#給出待預(yù)測的一個特征

output=classifier.predict(X)

output=output.reshape(len(output),1)小結(jié)1.如何使用sklearn第三方包實現(xiàn)分類分析？2.