《机器学习Python实战》电子教案 09-1-项目6 朴素贝叶斯分类算法实战

武汉软件工程职业学院教案（理论教学首页）（第1页）教案（理实一体化课）武汉软件工程职业学院教案（附页）（第NUMPAGES4页）课程名称机器学习授课内容项目6年收入等级判断—朴素贝叶斯6.3项目拓展——估算个人年收入等级授课安排授课时数2授课对象人工智能技术应用专业大二学生授课方法课内实训、任务驱动法授课教具Python3.7及后续版本、Anaconda、Jupyter教学目标思政目标：可以用三种不同的方法判定收入等级，大家平时学习的时候完成一任务需要考虑多种方法，可以比较那种方法最好。知识目标：掌握朴素贝叶斯算法的三种不同用法能力目标：能灵活应用不同朴素贝叶斯模型处理分类问题教学重点朴素贝叶斯算法的三种不同方法教学难点掌握朴素贝叶斯的特性和用法【课前安排】（1）教师对学生们的疑问进行统一答疑。（2）回顾总结上节课内容，继续介绍本课时的内容。上节课通过实例演示了朴素贝叶斯算法的三种不同建模方法，本节课进行项目拓展——估算个人年收入等级。【导入新课】本项目的目标是：使用美国1994年人口普查数据库中抽取的adult数据集，根据个人信息建立分类模型，对个人年收入等级进行估算。通过构建朴素贝叶斯模型判断收入等级是“高于5万”还是“低于或等于5万”。【讲授新课】教师根据课件，演示个人年收入等级的预测：数据准备将数据集进行数据转换并编码处理使用高斯朴素贝叶斯进行建模用模型进行预测上机练习上机练习主要针对本章中需要重点掌握的知识点，以及在程序中容易出错的内容进行练习，通过上机练习可以考察同学对知识点的掌握情况，对本章知识掌握程度。形式：单独完成上机：使用朴素贝叶斯判断肿瘤是良性还是恶性要求如下：1.导入威斯康辛乳腺肿瘤数据集#导入威斯康辛乳腺肿瘤数据集fromsklearn.datasetsimportload_breast_cancercancer=load_breast_cancer()#打印数据集键值print(cancer.keys())2.将数据集划分为训练集和测试集fromsklearn.model_selectionimporttrain_test_split#将数据集的数值和分类目标赋值给X和yX,y=cancer.data,cancer.target#使用数据集拆分工具拆分为训练集和测试集X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=8)#打印训练集和测试集的数据形态print('训练集数据形态：',X_train.shape)print('测试集数据形态：',X_test.shape)3.使用高斯朴素贝叶斯进行建模fromsklearn.naive_bayesimportGaussianNBgnb=GaussianNB()gnb.fit(X_train,y_train)#打印模型评分print('训练集得分：{:.3f}'.format(gnb.score(X_train,y_train)))print('测试集得分：{:.3f}'.format(gnb.score(X_test,y_test)))训练集得分：0.948测试集得分：0.9374.测试模型进行数据预测和评分#打印模型预测的分类和真实的分类print('模型预测的分类是：{}'.format(gnb.predict([X[312]])))print('样本的正确分类是：',y[312])模型预测的分类是：[1]样本的正确分类是：15.绘制高斯朴素贝叶斯的学习曲线【课堂小结】回顾上课前的学习目标，对本节课知识点进行总结。【课后安排】给学生布置随堂练习，检测学生的掌握程