机器学习第四五次

1. 简述朴素贝叶斯原理

朴素贝叶斯是一种基于贝叶斯定理与特征条件独立假设的分类方法。公式如下：
P(C|X) = \frac{P(X|C) \cdot P(C)}{P(X)}
• C：类别
• X = (x_1, x_2, …, x_n)：特征向 量
• 假设特征条件独立，有：
P(X|C) = \prod_{i=1}^{n} P(x_i|C)
分类时选择最大后验概率的类别：
\hat{C} = \arg\max_C P(C) \cdot \prod_{i=1}^{n} P(x_i|C)
高斯朴素贝叶斯假设特征服从高斯分布，计算 P(x_i|C) 使用正态分布概率密度函数。

2. 使用高斯朴素贝叶斯实验鸢尾花分类，代码实现

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score
# 加载数据
iris = load_iris()
X = iris.data
y = iris.target
# 分割训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 模型训练
model = GaussianNB()
model.fit(X_train, y_train)
# 预测
y_pred = model.predict(X_test)
# 准确率
print("Accuracy:", accuracy_score(y_test, y_pred))

1. 简要阐述神经网络的组成单元

神经网络的组成单元是神经元（或节点），主要包括以下部分：

1. 输入：接收来自上一层的数据。
2. 权重：每个输入都有对应的权重，表示其重要程度。
3. 加权和：所有输入与其权重相乘后求和。
4. 偏置：加到加权和上的一个常数，用于调整输出。
5. 激活函数：对加权和加偏置的结果进行非线性变换，决定是否激活该神经元。

每一层由多个神经元组成，层之间连接形成整个神经网络。