1.理解分类与监督学习、聚类与无监督学习。
（1）简述分类与聚类的联系与区别。
分类是根据规则进行的，你把这个规则建立起来後还可以运用到其他尚未分类的数据，同时还可以根据新的已有类别数据修正分类规则，不断提高其分类准确性 聚类是纯粹的根据已有数据进行系统把数据聚类，有可能聚类出来的没有实际意义，聚类也无法通过训练数据和后期的数据不断提高准确度的。
（2）简述什么是监督学习与无监督学习。
监督学习：一部分已知分类、有标记的样本来训练机器后，让它用学到的特征，对没有还分类、无标记的样本进行分类、贴标签。
无监督学习：即非监督学习，是实现没有有标记的、已经分类好的样本，需要我们直接对输入数据集进行建模，例如聚类，最直接的例子就是我们常说的“人以群分，物以类聚”。我们只需要把相似度高的东西放在一起，对于新来的样本，计算相似度后，按照相似程度进行归类就好。
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。
