6、机器学习数据模型探索

机器学习数据模型探索

在机器学习领域，有多种数据模型可供选择，不同的模型适用于不同的数据集和问题场景。下面将详细介绍几种常见的机器学习模型，包括高斯朴素贝叶斯、k - 近邻（k - NN）和决策树分类器，并给出具体的代码示例和操作步骤。

1. 高斯朴素贝叶斯（Gaussian Naive Bayes）

朴素贝叶斯可以扩展到实值属性，最常见的方法是假设数据服从高斯分布，这种扩展后的朴素贝叶斯被称为高斯朴素贝叶斯。与其他用于估计数据分布的函数相比，高斯分布或正态分布最容易处理，因为它只需要从训练数据中计算均值和标准差。

对于每个类别值，每个输入变量（x）的均值和标准差使用以下公式计算：
- 均值：$mean(x) = \frac{1}{n} \sum(x)$
- 标准差：$standard\ deviation(x) = \sqrt{\frac{1}{n} \sum(x_i - mean(x))^2}$

其中，$n$ 是实例的数量，$x$ 是输入变量的值。

新的 $x$ 值的概率使用高斯概率密度函数（PDF）计算：
$pdf(x, mean, sd) = \frac{1}{\sqrt{2\pi} \times sd} \times exp(-\frac{(x - mean)^2}{2 \times sd^2})$

下面是一个使用高斯朴素贝叶斯模型进行预测的 Python 脚本示例：

# Import Library of Gaussian Naive Bayes model
from sklearn.naive_b