資料探勘之分類

分類的定義：

通過學習得到目標函式f（也叫「分類模型」），把每個屬性集x對映到乙個預先定義好的類稱號y。

相關定義：訓練集、屬性、類標號、模型、測試集

分類與聚類的區別：

聚類：無指導的學習，事先沒有標籤，而通過某種成因分析找出事物之間存在聚集性原因的過程。「面對一堆資料，將這堆資料分成幾類」。

分類：有指導的學習，在聚類的前提下，按照某種標準給物件貼標籤，再根據標籤來分類。

評價方法：

①**的準確率：混淆矩陣

②速度：構造模型的速度、利用模型進行分析的速度

③強壯型：給定雜訊資料或具有空缺值的資料，模型正確的**能力

④可公升縮性：當給定大量資料時，有效地構造模型的能力

⑤可解釋性：設計學習模型提供的理解和洞察的層次

*** 混淆矩陣

常用的分類方法：

1、基於決策樹的分類（decision tree based methods）

2、基於規則的分類（rule-based methods）

3、基於樣例的分類（distance-based methods）

4、基於記憶的推理（memory based reasoning）

5、神經網路（neural networks）

6、樸素貝葉斯和貝葉斯網路（naïve bayes and bayesian belief networks）

7、支援向量機（support vector machines, svn）

資料探勘之分類

分類是構造乙個分類模型，輸入樣本的屬性值，輸出對應的類別，將每個樣本對映到預先定義好的類別。分類的演算法分為以下兩步 1 學習步，通過歸納分析訓練樣本集，來建立分類模型，得到分類規則 2 分類步，先用已知的測試樣本集評估分類規則的準確率，如果準確率是可以接受的，則使用該模型對未知類標號的待測樣本集進...

資料探勘之分類演算法

分類是資料探勘 機器學習和模式識別中乙個重要的研究領域。單一的分類方法主要包括 決策樹 貝葉斯 人工神經網路 k 近鄰 支援向量機和基於關聯規則的分類等 還有用於單一分類方法的整合學習演算法，如bagging和boosting等。1 決策樹 主要用於分類和 的技術之一，是以例項為基礎的歸納學習演算法...

資料探勘之分類指標

場景如下 假設原樣本有兩類，true和false，其中 1.總共有t個類別為true的樣本 2.總共有f個類別為false的樣本 分類 後 1.總共有tt個類別為true的樣本被系統判為true，ft個類別為true的樣本被系統判為false，則tt ft t 2.總共有ff個類別為false的樣本...