1.理解分类与监督学习、聚类与无监督学习。
简述分类与聚类的联系与区别。
聚类：是指事先没有“标签”而通过某种成团分析找出事物之间存在聚集性原因的过程。
分类：是根据文本的特征或属性，划分到已有的类别中。也就是说，这些类别是已知的，通过对已知分类的数据进行训练和学习，找到这些不同类的特征，再对未分类的数据进行分类。
简述什么是监督学习与无监督学习。
监督学习：针对的是有标签的数据集，对具有概念标记的训练样本进行学习，以尽可能对训练样本集外的数据进行标记预测。
无监督学习：针对的是没有标签的数据集，对没有概念标记的训练样本进行学习，以发现训练样本集中的结构性知识。
from sklearn.datasets import load_iris from sklearn.naive_bayes import GaussianNB iris = load_iris() print(iris.data) print(iris.data[95]) # 建立模型 gnb = GaussianNB() # 训练 gnb.fit(iris.data,iris.target) # 预测 print(‘贝叶斯结果:‘,gnb.predict([iris.data[95]])) print(‘贝叶斯结果:‘,gnb.predict(iris.data)) # KMeans 聚类 from sklearn.cluster import KMeans # 配置，构建 est = KMeans(n_clusters = 4) # 计算 est.fit(iris.data) # 聚类结果 print(‘KMeans聚类:‘,est.labels_)
原文：https://www.cnblogs.com/DTTD/p/10004171.html