机器学习原理与应用电子教案 5.3朴素贝叶斯_第1页
机器学习原理与应用电子教案 5.3朴素贝叶斯_第2页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

备课日期：年月日授课时间课时（理论+实验）周次星期:节次:授课课题朴素贝叶斯教学目标1.理解朴素贝叶斯基本原理。2.掌握朴素贝叶斯数学推导过程。3.掌握朴素贝叶斯算法的Scikit-learn库使用方法。教学重点1.贝叶斯公式；2.朴素的含义。教学准备PPT、点名册等。教学方法指导阅读、案例法。教学过程设计备注课题引入已知学生作息与成绩关系数据，如何预测学生的成绩？（如“出勤=早、休息=晚”的学生成绩的好坏？）〖PPT〗展示数据与问题。▲如何将该问题用数学形式表达？【时间】分钟。教学步骤及主要内容【主板书】§3.3.朴素贝叶斯一、基本原理【主板书】基本原理1.数据建模：设X为成绩，A为出勤，B为休息，此问题即为求概率P1=P（X=好|A=早，B=晚）与P2=P（X=坏|A=早，B=晚）。2.利用贝叶斯公式求解概率P1与P2。【副板书】贝叶斯公式（各部分的含义）〖PPT〗求解过程。【强化与拓展】（1）概率、比较P1与P2的大小。（2）统计方法：如果特征维度较大或者每个特征取值较多时，通过列表统计估计每项概率的方式其实是不可行的！例1：假设特征向量包含4个特征，每个特征有10个特征值，则这4个特征的联合概率分布是4维的，可能的情况就有10000种。3.朴素贝叶斯（1）含义：贝叶斯定理与特征条件独立假设。（2）数学形式及求解。【强化与拓展】类条件概率、先验概率、后验概率。（3）实例讲解。〖PPT〗朴素贝叶斯数学形式与求解过程。【时间】分钟。【提问】。二、Scikit-learn库的使用【主板书】Scikit-learn库的使用1.朴素贝叶斯库类别：根据先验概率分类。2.库引入（以GaussianNB为例）。fromsklearn.naive_bayesimportGaussianNB3.模型构建。nb=GaussianNB()4.常用方法。nb.fit(x,y)：根据样本x与类别标识y对数据进行拟合。nb.predict(x)：输出测试集x的预测类别。nb.predict_proba(x)：输出测试集x在各个类别上预测概率。5.数据构造与具体应用。〖PPT〗数据构造与具体应用过程。【时间】分钟。【提问】。课堂练习其他无小结与作业课堂小结朴素贝叶斯是一种基于概率理论的分类算法，虽然其所依赖的特征之间条件独立性假设在有些情况下并不符合实际（即“朴素”的由来），但因为原理和实现都比较简单，学习和预测的效率

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论