樸素貝葉斯分類器算法是最受歡迎的學(xué)習方法之一，按照相似性分類，用流行的貝葉斯概率定理來建立機器學(xué)習模型，特別是用于疾病預(yù)測和文檔分類。 它是基于貝葉斯概率定理的單詞的內(nèi)容的主觀分析的簡單分類。
站在用戶的角度思考問題，與客戶深入溝通，找到南明網(wǎng)站設(shè)計與南明網(wǎng)站推廣的解決方案，憑借多年的經(jīng)驗，讓設(shè)計與互聯(lián)網(wǎng)技術(shù)結(jié)合，創(chuàng)造個性化、用戶體驗好的作品，建站類型包括：成都做網(wǎng)站、網(wǎng)站設(shè)計、企業(yè)官網(wǎng)、英文網(wǎng)站、手機端網(wǎng)站、網(wǎng)站推廣、域名注冊、網(wǎng)站空間、企業(yè)郵箱。業(yè)務(wù)覆蓋南明地區(qū)。
什么時候使用機器學(xué)習算法 - 樸素貝葉斯分類器？
（1）如果您有一個中等或大的訓(xùn)練數(shù)據(jù)集。
（2）如果實例具有幾個屬性。
（3）給定分類參數(shù)，描述實例的屬性應(yīng)該是條件獨立的。
A．樸素貝葉斯分類器的應(yīng)用
（1）情緒分析 - 用于Facebook分析表示積極或消極情緒的狀態(tài)更新。
（2）文檔分類 - Google使用文檔分類來索引文檔并查找相關(guān)性分數(shù)，即PageRank。 PageRank機制考慮在使用文檔分類技術(shù)解析和分類的數(shù)據(jù)庫中標記為重要的頁面。
（3）樸素貝葉斯算法也用于分類關(guān)于技術(shù)，娛樂，體育，政治等的新聞文章。
（4）電子郵件垃圾郵件過濾 - Google Mail使用Na?veBayes算法將您的電子郵件歸類為垃圾郵件或非垃圾郵件。
B．樸素貝葉斯分類器機器學(xué)習算法的優(yōu)點
（1）當輸入變量是分類時，樸素貝葉斯分類器算法執(zhí)行得很好。
（2）當樸素貝葉斯條件獨立假設(shè)成立時，樸素貝葉斯分類器收斂更快，需要相對較少的訓(xùn)練數(shù)據(jù)，而不像其他判別模型，如邏輯回歸。
（3）使用樸素貝葉斯分類器算法，更容易預(yù)測測試數(shù)據(jù)集的類。 多等級預(yù)測的好賭注。
（4）雖然它需要條件獨立假設(shè)，但是樸素貝葉斯分類器在各種應(yīng)用領(lǐng)域都表現(xiàn)出良好的性能。
Python中的數(shù)據(jù)科學(xué)庫實現(xiàn)Na?veBayes - Sci-Kit學(xué)習
數(shù)據(jù)科學(xué)圖書館在R實施樸素貝葉斯 - e1071
3.2 K均值聚類算法
K-means是用于聚類分析的普遍使用的無監(jiān)督機器學(xué)習算法。 K-Means是一種非確定性和迭代的方法。 該算法通過預(yù)定數(shù)量的簇k對給定數(shù)據(jù)集進行操作。 K Means算法的輸出是具有在簇之間分割的輸入數(shù)據(jù)的k個簇。
例如，讓我們考慮維基百科搜索結(jié)果的K均值聚類。 維基百科上的搜索詞“Jaguar”將返回包含Jaguar這個詞的所有頁面，它可以將Jaguar稱為Car，Jaguar稱為Mac OS版本，Jaguar作為動物。 K均值聚類算法可以應(yīng)用于對描述類似概念的網(wǎng)頁進行分組。 因此，算法將把所有談?wù)摻荼木W(wǎng)頁作為一個動物分組到一個集群，將捷豹作為一個汽車分組到另一個集群，等等。
A．使用K-means聚類機學(xué)習算法的優(yōu)點
（1）在球狀簇的情況下，K-Means產(chǎn)生比層級聚類更緊密的簇。
（2）給定一個較小的K值，K-Means聚類計算比大量變量的層次聚類更快。
B．K-Means聚類的應(yīng)用
K Means Clustering算法被大多數(shù)搜索引擎（如Yahoo，Google）用于通過相似性對網(wǎng)頁進行聚類，并識別搜索結(jié)果的“相關(guān)率”。 這有助于搜索引擎減少用戶的計算時間。
Python中的數(shù)據(jù)科學(xué)庫實現(xiàn)K均值聚類 - SciPy，Sci-Kit學(xué)習，Python包裝
數(shù)據(jù)科學(xué)庫中的R實現(xiàn)K均值聚類 - 統(tǒng)計
3.3 支持向量機學(xué)習算法
支持向量機是一種分類或回歸問題的監(jiān)督機器學(xué)習算法，其中數(shù)據(jù)集教導(dǎo)關(guān)于類的SVM，以便SVM可以對任何新數(shù)據(jù)進行分類。 它通過找到將訓(xùn)練數(shù)據(jù)集分成類的線（超平面）將數(shù)據(jù)分類到不同的類中來工作。 由于存在許多這樣的線性超平面，SVM算法嘗試最大化所涉及的各種類之間的距離，并且這被稱為邊際最大化。 如果識別出最大化類之間的距離的線，則增加對未看見數(shù)據(jù)良好推廣的概率。
A．SVM分為兩類：
線性SVM - 在線性SVM中，訓(xùn)練數(shù)據(jù)，即分類器由超平面分離。
非線性SVM在非線性SVM中，不可能使用超平面來分離訓(xùn)練數(shù)據(jù)。 例如，用于面部檢測的訓(xùn)練數(shù)據(jù)由作為面部的一組圖像和不是面部的另一組圖像（換句話說，除了面部之外的所有其他圖像）組成。 在這種條件下，訓(xùn)練數(shù)據(jù)太復(fù)雜，不可能找到每個特征向量的表示。 將面的集合與非面的集線性分離是復(fù)雜的任務(wù)。
B．使用SVM的優(yōu)點
（1）SVM對訓(xùn)練數(shù)據(jù)提供最佳分類性能（精度）。
（2）SVM為未來數(shù)據(jù)的正確分類提供了更高的效率。
（3）SVM的最好的事情是它不對數(shù)據(jù)做任何強有力的假設(shè)。
（4）它不會過度擬合數(shù)據(jù)。
C．支持向量機的應(yīng)用
（1）SVM通常用于各種金融機構(gòu)的股票市場預(yù)測。 例如，它可以用來比較股票相對于同一行業(yè)中其他股票的表現(xiàn)的相對表現(xiàn)。 股票的相對比較有助于管理基于由SVM學(xué)習算法做出的分類的投資決策。
（2）Python中的數(shù)據(jù)科學(xué)庫實現(xiàn)支持向量機-SciKit學(xué)習，PyML，SVMStruct Python，LIBSVM
（3）R中的數(shù)據(jù)科學(xué)庫實現(xiàn)支持向量機 - klar，e1071
3.4 Apriori機器學(xué)習算法
Apriori算法是無監(jiān)督機器學(xué)習算法，其從給定數(shù)據(jù)集生成關(guān)聯(lián)規(guī)則。 關(guān)聯(lián)規(guī)則意味著如果項目A出現(xiàn)，則項目B也以一定概率出現(xiàn)。 生成的大多數(shù)關(guān)聯(lián)規(guī)則采用IF_THEN格式。 例如，如果人們買了一個iPad，他們還買了一個iPad保護套。 為了得到這樣的結(jié)論的算法，它首先觀察購買iPad的人購買iPad的人數(shù)。 這樣一來，比例就像100個購買iPad的人一樣，85個人還購買了一個iPad案例。
A．Apriori機器學(xué)習算法的基本原理：
如果項集合頻繁出現(xiàn)，則項集合的所有子集也頻繁出現(xiàn)。
如果項集合不經(jīng)常出現(xiàn)，則項集合的所有超集都不經(jīng)常出現(xiàn)。
B．先驗算法的優(yōu)點
（1）它易于實現(xiàn)并且可以容易地并行化。
（2）Apriori實現(xiàn)使用大項目集屬性。
C.Apriori算法應(yīng)用
檢測不良藥物反應(yīng)
Apriori算法用于關(guān)于醫(yī)療數(shù)據(jù)的關(guān)聯(lián)分析，例如患者服用的藥物，每個患者的特征，不良的不良反應(yīng)患者體驗，初始診斷等。該分析產(chǎn)生關(guān)聯(lián)規(guī)則，其幫助識別患者特征和藥物的組合 導(dǎo)致藥物的不良副作用。
市場籃子分析
許多電子商務(wù)巨頭如亞馬遜使用Apriori來繪制數(shù)據(jù)洞察，哪些產(chǎn)品可能是一起購買，哪些是最響應(yīng)促銷。 例如，零售商可能使用Apriori預(yù)測購買糖和面粉的人很可能購買雞蛋來烘烤蛋糕。
自動完成應(yīng)用程序
Google自動完成是Apriori的另一個流行的應(yīng)用程序，其中 - 當用戶鍵入單詞時，搜索引擎尋找人們通常在特定單詞之后鍵入的其他相關(guān)聯(lián)的單詞。
Python中的數(shù)據(jù)科學(xué)庫實現(xiàn)Apriori機器學(xué)習算法 - 在PyPi中有一個python實現(xiàn)Apriori
數(shù)據(jù)科學(xué)庫在R中實現(xiàn)Apriori機器學(xué)習算法 – arules
3.5 線性回歸機器學(xué)習算法
線性回歸算法顯示了2個變量之間的關(guān)系，以及一個變量中的變化如何影響另一個變量。 該算法顯示了在改變自變量時對因變量的影響。 自變量被稱為解釋變量，因為它們解釋了因變量對因變量的影響。 依賴變量通常被稱為感興趣的因子或預(yù)測因子。
A．線性回歸機器學(xué)習算法的優(yōu)點
（1）它是最可解釋的機器學(xué)習算法之一，使得它很容易解釋給別人。
（2）它易于使用，因為它需要最小的調(diào)諧。
（3）它是最廣泛使用的機器學(xué)習技術(shù)運行快。
B．線性回歸算法應(yīng)用
估計銷售額
線性回歸在業(yè)務(wù)中有很大的用途，基于趨勢的銷售預(yù)測。如果公司每月的銷售額穩(wěn)步增長 - 對月度銷售數(shù)據(jù)的線性回歸分析有助于公司預(yù)測未來幾個月的銷售額。
風險評估
線性回歸有助于評估涉及保險或金融領(lǐng)域的風險。健康保險公司可以對每個客戶的索賠數(shù)量與年齡進行線性回歸分析。這種分析有助于保險公司發(fā)現(xiàn)，老年顧客傾向于提出更多的保險索賠。這樣的分析結(jié)果在重要的商業(yè)決策中起著至關(guān)重要的作用，并且是為了解決風險。
Python中的數(shù)據(jù)科學(xué)庫實現(xiàn)線性回歸 - statsmodel和SciKit
R中的數(shù)據(jù)科學(xué)庫實現(xiàn)線性回歸 - 統(tǒng)計
3.6 決策樹機器學(xué)習算法
你正在制作一個周末計劃，去訪問最好的餐館在城里，因為你的父母訪問，但你是猶豫的決定在哪家餐廳選擇。每當你想去一家餐館，你問你的朋友提利昂如果他認為你會喜歡一個特定的地方。為了回答你的問題，提利昂首先要找出，你喜歡的那種餐館。你給他一個你去過的餐館列表，告訴他你是否喜歡每個餐廳（給出一個標記的訓(xùn)練數(shù)據(jù)集）。當你問提利昂你是否想要一個特定的餐廳R，他問你各種問題，如“是”R“屋頂餐廳？”，“餐廳”R“服務(wù)意大利菜嗎？”，現(xiàn)場音樂？“，”餐廳R是否營業(yè)至午夜？“等等。提利昂要求您提供幾個信息問題，以最大限度地提高信息收益，并根據(jù)您對問卷的答案給予YES或NO回答。這里Tyrion是你最喜歡的餐廳偏好的決策樹。
決策樹是一種圖形表示，其使用分支方法來基于某些條件來例示決策的所有可能的結(jié)果。在決策樹中，內(nèi)部節(jié)點表示對屬性的測試，樹的每個分支表示測試的結(jié)果，葉節(jié)點表示特定類標簽，即在計算所有屬性之后作出的決定。分類規(guī)則通過從根到葉節(jié)點的路徑來表示。
A．決策樹的類型
（1）分類樹 - 這些被視為用于基于響應(yīng)變量將數(shù)據(jù)集分成不同類的默認種類的決策樹。 這些通常在響應(yīng)變量本質(zhì)上是分類時使用。
（2）回歸樹 - 當響應(yīng)或目標變量是連續(xù)或數(shù)字時，使用回歸樹。 與分類相比，這些通常用于預(yù)測類型的問題。
根據(jù)目標變量的類型 - 連續(xù)變量決策樹和二進制變量決策樹，決策樹也可以分為兩種類型。 它是有助于決定對于特定問題需要什么樣的決策樹的目標變量。
B．為什么選擇決策樹算法？
（1）這些機器學(xué)習算法有助于在不確定性下作出決策，并幫助您改善溝通，因為他們提供了決策情況的可視化表示。
（2）決策樹機器學(xué)習算法幫助數(shù)據(jù)科學(xué)家捕獲這樣的想法：如果采取了不同的決策，那么情境或模型的操作性質(zhì)將如何劇烈變化。
（3）決策樹算法通過允許數(shù)據(jù)科學(xué)家遍歷前向和后向計算路徑來幫助做出最佳決策。
C．何時使用決策樹機器學(xué)習算法
（1）決策樹對錯誤是魯棒的，并且如果訓(xùn)練數(shù)據(jù)包含錯誤，則決策樹算法將最適合于解決這樣的問題。
（2）決策樹最適合于實例由屬性值對表示的問題。
（3）如果訓(xùn)練數(shù)據(jù)具有缺失值，則可以使用決策樹，因為它們可以通過查看其他列中的數(shù)據(jù)來很好地處理丟失的值。
（4）當目標函數(shù)具有離散輸出值時，決策樹是最適合的。
D.決策樹的優(yōu)點
（1）決策樹是非常本能的，可以向任何人輕松解釋。來自非技術(shù)背景的人，也可以解釋從決策樹繪制的假設(shè)，因為他們是不言自明的。
（2）當使用決策樹機器學(xué)習算法時，數(shù)據(jù)類型不是約束，因為它們可以處理分類和數(shù)值變量。
（3）決策樹機器學(xué)習算法不需要對數(shù)據(jù)中的線性進行任何假設(shè)，因此可以在參數(shù)非線性相關(guān)的情況下使用。這些機器學(xué)習算法不對分類器結(jié)構(gòu)和空間分布做出任何假設(shè)。
（4）這些算法在數(shù)據(jù)探索中是有用的。決策樹隱式執(zhí)行特征選擇，這在預(yù)測分析中非常重要。當決策樹適合于訓(xùn)練數(shù)據(jù)集時，在其上分割決策樹的頂部的節(jié)點被認為是給定數(shù)據(jù)集內(nèi)的重要變量，并且默認情況下完成特征選擇。
（5）決策樹有助于節(jié)省數(shù)據(jù)準備時間，因為它們對缺失值和異常值不敏感。缺少值不會阻止您拆分構(gòu)建決策樹的數(shù)據(jù)。離群值也不會影響決策樹，因為基于分裂范圍內(nèi)的一些樣本而不是準確的絕對值發(fā)生數(shù)據(jù)分裂。
E.決策樹的缺點
（1）樹中決策的數(shù)量越多，任何預(yù)期結(jié)果的準確性越小。
（2）決策樹機器學(xué)習算法的主要缺點是結(jié)果可能基于預(yù)期。當實時做出決策時，收益和產(chǎn)生的結(jié)果可能與預(yù)期或計劃不同。有機會，這可能導(dǎo)致不現(xiàn)實的決策樹導(dǎo)致錯誤的決策。任何不合理的期望可能導(dǎo)致決策樹分析中的重大錯誤和缺陷，因為并不總是可能計劃從決策可能產(chǎn)生的所有可能性。
（3）決策樹不適合連續(xù)變量，并導(dǎo)致不穩(wěn)定性和分類高原。
（4）與其他決策模型相比，決策樹很容易使用，但是創(chuàng)建包含幾個分支的大決策樹是一個復(fù)雜和耗時的任務(wù)。
（5）決策樹機器學(xué)習算法一次只考慮一個屬性，并且可能不是最適合于決策空間中的實際數(shù)據(jù)。
（6）具有多個分支的大尺寸決策樹是不可理解的，并且造成若干呈現(xiàn)困難。
F.決策樹機器學(xué)習算法的應(yīng)用
（1）決策樹是流行的機器學(xué)習算法之一，它在財務(wù)中對期權(quán)定價有很大的用處。
（2）遙感是基于決策樹的模式識別的應(yīng)用領(lǐng)域。
（3）銀行使用決策樹算法按貸款申請人違約付款的概率對其進行分類。
（4）Gerber產(chǎn)品公司，一個流行的嬰兒產(chǎn)品公司，使用決策樹機器學(xué)習算法來決定他們是否應(yīng)繼續(xù)使用塑料PVC（聚氯乙烯）在他們的產(chǎn)品。
（5）Rush大學(xué)醫(yī)學(xué)中心開發(fā)了一個名為Guardian的工具，它使用決策樹機器學(xué)習算法來識別有風險的患者和疾病趨勢。
Python語言中的數(shù)據(jù)科學(xué)庫實現(xiàn)決策樹機器學(xué)習算法是 - SciPy和Sci-Kit學(xué)習。
R語言中的數(shù)據(jù)科學(xué)庫實現(xiàn)決策樹機器學(xué)習算法是插入符號。
3.7 隨機森林機器學(xué)習算法
讓我們繼續(xù)我們在決策樹中使用的同樣的例子，來解釋隨機森林機器學(xué)習算法如何工作。提利昂是您的餐廳偏好的決策樹。然而，提利昂作為一個人并不總是準確地推廣你的餐廳偏好。要獲得更準確的餐廳推薦，你問一對夫婦的朋友，并決定訪問餐廳R，如果大多數(shù)人說你會喜歡它。而不是只是問Tyrion，你想問問Jon Snow，Sandor，Bronn和Bran誰投票決定你是否喜歡餐廳R或不。這意味著您已經(jīng)構(gòu)建了決策樹的合奏分類器 - 也稱為森林。
你不想讓所有的朋友給你相同的答案 - 所以你提供每個朋友略有不同的數(shù)據(jù)。你也不確定你的餐廳偏好，是在一個困境。你告訴提利昂你喜歡開頂屋頂餐廳，但也許，只是因為它是在夏天，當你訪問的餐廳，你可能已經(jīng)喜歡它。在寒冷的冬天，你可能不是餐廳的粉絲。因此，所有的朋友不應(yīng)該利用你喜歡打開的屋頂餐廳的數(shù)據(jù)點，以提出他們的建議您的餐廳偏好。
通過為您的朋友提供略微不同的餐廳偏好數(shù)據(jù)，您可以讓您的朋友在不同時間向您詢問不同的問題。在這種情況下，只是稍微改變你的餐廳偏好，你是注入隨機性在模型級別（不同于決策樹情況下的數(shù)據(jù)級別的隨機性）。您的朋友群現(xiàn)在形成了您的餐廳偏好的隨機森林。
隨機森林是一種機器學(xué)習算法，它使用裝袋方法來創(chuàng)建一堆隨機數(shù)據(jù)子集的決策樹。模型在數(shù)據(jù)集的隨機樣本上進行多次訓(xùn)練，以從隨機森林算法中獲得良好的預(yù)測性能。在該整體學(xué)習方法中，將隨機森林中所有決策樹的輸出結(jié)合起來進行最終預(yù)測。隨機森林算法的最終預(yù)測通過輪詢每個決策樹的結(jié)果或者僅僅通過使用在決策樹中出現(xiàn)最多次的預(yù)測來導(dǎo)出。
例如，在上面的例子 - 如果5個朋友決定你會喜歡餐廳R，但只有2個朋友決定你不會喜歡的餐廳，然后最后的預(yù)測是，你會喜歡餐廳R多數(shù)總是勝利。
A.為什么使用隨機森林機器學(xué)習算法？
（1）有很多好的開源，在Python和R中可用的算法的自由實現(xiàn)。
（2）它在缺少數(shù)據(jù)時保持準確性，并且還能抵抗異常值。
（3）簡單的使用作為基本的隨機森林算法可以實現(xiàn)只用幾行代碼。
（4）隨機森林機器學(xué)習算法幫助數(shù)據(jù)科學(xué)家節(jié)省數(shù)據(jù)準備時間，因為它們不需要任何輸入準備，并且能夠處理數(shù)字，二進制和分類特征，而無需縮放，變換或修改。
（5）隱式特征選擇，因為它給出了什么變量在分類中是重要的估計。
B.使用隨機森林機器學(xué)習算法的優(yōu)點
（1）與決策樹機器學(xué)習算法不同，過擬合對隨機森林不是一個問題。沒有必要修剪隨機森林。
（2）這些算法很快，但不是在所有情況下。隨機森林算法當在具有100個變量的數(shù)據(jù)集的800MHz機器上運行時，并且50,000個案例在11分鐘內(nèi)產(chǎn)生100個決策樹。
（3）隨機森林是用于各種分類和回歸任務(wù)的最有效和通用的機器學(xué)習算法之一，因為它們對噪聲更加魯棒。
（4）很難建立一個壞的隨機森林。在隨機森林機器學(xué)習算法的實現(xiàn)中，容易確定使用哪些參數(shù)，因為它們對用于運行算法的參數(shù)不敏感。一個人可以輕松地建立一個體面的模型沒有太多的調(diào)整
（5）隨機森林機器學(xué)習算法可以并行生長。
（6）此算法在大型數(shù)據(jù)庫上高效運行。
（7）具有較高的分類精度。
C.使用隨機森林機器學(xué)習算法的缺點
他們可能很容易使用，但從理論上分析它們是很困難的。
隨機森林中大量的決策樹可以減慢算法進行實時預(yù)測。
如果數(shù)據(jù)由具有不同級別數(shù)量的分類變量組成，則算法會偏好具有更多級別的那些屬性。 在這種情況下，可變重要性分數(shù)似乎不可靠。
當使用RandomForest算法進行回歸任務(wù)時，它不會超出訓(xùn)練數(shù)據(jù)中響應(yīng)值的范圍。
D.隨機森林機器學(xué)習算法的應(yīng)用
（1）隨機森林算法被銀行用來預(yù)測貸款申請人是否可能是高風險。
（2）它們用于汽車工業(yè)中以預(yù)測機械部件的故障或故障。
（3）這些算法用于醫(yī)療保健行業(yè)以預(yù)測患者是否可能發(fā)展成慢性疾病。
（4）它們還可用于回歸任務(wù)，如預(yù)測社交媒體份額和績效分數(shù)的平均數(shù)。
（5）最近，該算法也已經(jīng)被用于預(yù)測語音識別軟件中的模式并對圖像和文本進行分類。
Python語言中的數(shù)據(jù)科學(xué)庫實現(xiàn)隨機森林機器學(xué)習算法是Sci-Kit學(xué)習。
R語言的數(shù)據(jù)科學(xué)庫實現(xiàn)隨機森林機器學(xué)習算法randomForest。
正則表達式中匹配引號可以直接寫入 "；匹配任意內(nèi)容，可以用.*表示，.表示為任意字符，*表示為任意長度；進一步可以使用圓括號提取引號之間的內(nèi)容。
服務(wù)器：在進行CGI編程前，確保您的Web服務(wù)器支持CGI及已經(jīng)配置了CGI的處理程序。
所有的HTTP服務(wù)器執(zhí)行CGI程序都保存在一個預(yù)先配置的目錄。這個目錄被稱為CGI目錄，并按照慣例，它被命名為/var/www/cgi-bin目錄。CGI文件的擴展名為.cgi，python也可以使用.py擴展名。
擴展資料：
如果需要安裝， 不妨下載最近穩(wěn)定的版本。 就是那個以沒有被標記作為alpha或Beta發(fā)行的最高的版本。目前最穩(wěn)定的版本是Python3.0以上：
如果使用的操作系統(tǒng)是Windows：當前最穩(wěn)定的Windows版本下載是"Python 3.8.1 for Windows"
如果使用的是Mac，MacOS 10.2 (Jaguar), 10.3 (Panther) and 10.4 (Tiger)已經(jīng)集成安裝了Python，但是大概需要安裝最近通用的構(gòu)架(build)。
對于Red Hat，安裝python2和python2-devel包，對于Debian，安裝python2.5和python2.5-dev包。
參考資料來源：百度百科-Python
重慶分公司
重慶分公司
