分类与监督

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。

聚类：是指事先没有“标签”而通过某种成团分析找出事物之间存在聚集性原因的过程。

分类：是根据文本的特征或属性，划分到已有的类别中。也就是说，这些类别是已知的，通过对已知分类的数据进行训练和学习，找到这些不同类的特征，再对未分类的数据进行分类。

 

简述什么是监督学习与无监督学习。

监督学习：针对的是有标签的数据集，对具有概念标记的训练样本进行学习，以尽可能对训练样本集外的数据进行标记预测。

无监督学习：针对的是没有标签的数据集，对没有概念标记的训练样本进行学习，以发现训练样本集中的结构性知识。

 

from sklearn.datasets import load_iris
from sklearn.naive_bayes import GaussianNB
iris = load_iris()
print(iris.data)

print(iris.data[95])

# 建立模型
gnb = GaussianNB()

# 训练
gnb.fit(iris.data,iris.target)

# 预测
print('贝叶斯结果:',gnb.predict([iris.data[95]]))
print('贝叶斯结果:',gnb.predict(iris.data))


# KMeans 聚类
from sklearn.cluster import KMeans

# 配置，构建
est = KMeans(n_clusters = 4)

# 计算
est.fit(iris.data)

# 聚类结果
print('KMeans聚类:',est.labels_)