物聯(lián)網(wǎng)中的智能決策(ppt 35頁)-全文預(yù)覽
【正文】 性 預(yù)測性 挖掘任務(wù)：在當(dāng)前數(shù)據(jù)上進(jìn)行推斷和預(yù)測 關(guān)聯(lián)分析 關(guān)聯(lián)分析 的目標(biāo)是從給定的數(shù)據(jù)中發(fā)現(xiàn)頻繁出現(xiàn)的模式，即 關(guān)聯(lián)規(guī)則 關(guān)聯(lián)規(guī)則 通常的表述形式是 X Y，表示“數(shù)據(jù)庫中滿足條件 X的記錄 (元組 )可能也滿足條件 Y” 以某電器商場銷售記錄為例： 含義： 4% (支持度 )的顧客的年齡在 20至 29歲且月收入在 3000至 5000元，且這樣的顧客中， 65% (置信度 )的人購買了筆記本電腦 關(guān)聯(lián)分析 挖掘關(guān)聯(lián)規(guī)則，需要 置信度 和 支持度 越高越好 基本概念 項集 ：滿足若干條件的數(shù)據(jù)項的集合，如果條件數(shù)為 k，則稱 k項集 ?滿足年齡 (顧客 , “20~29”)的項集是 1項集 ?滿足年齡 (顧客 , “20~29”) 收入 (顧客 , “3000~5000”)的項集是 2項集 計算步驟 ?首先找到具備足夠支持度的項集，即 頻繁項集 ?然后由頻繁項集構(gòu)成關(guān)聯(lián)規(guī)則，并計算置信度 關(guān)聯(lián)分析 如何尋找頻繁項集 ?Apriori算法 基本思想： 利用已求出的 k項集來計算 (k+1)項集 ?首先計算頻繁 1項集 ?然后根據(jù)兩個頻繁 k項集 {p1, p2, ..., pk}， {q1, q2, ..., qk}計算頻繁 (k+1)項集，其中 pi=qi， 1=i=k1，且該 (k+1)項集為 {p1, p2, ..., pk, qk} ?最后判定該 (k+1)項集是否頻繁即可 缺點(diǎn)： 可能產(chǎn)生大量候選項集，并需要重復(fù)地掃描數(shù)據(jù)庫 ?FPGrowth算法 利用樹狀結(jié)構(gòu)保存項集，從而減小了計算頻繁項集所需的存儲空間 關(guān)聯(lián)分析 如何由頻繁項集構(gòu)造關(guān)聯(lián)規(guī)則，并計算置信度 關(guān)聯(lián)規(guī) A B的置信度 其中 count(A AND B)為滿足條件 A以及 B的數(shù)據(jù)項數(shù)目， count(A)為滿足條件 A的數(shù)據(jù)項數(shù)目 計算步驟 ?對于每一個頻繁項集 S，計算 S的所有非空子集 ?對于每個 S的非空子集 F，若 大于給定置信度閾值，則得到一個關(guān)聯(lián)規(guī)則 ? )(count ) AND (count)|(P)(Confide nce A BAABBA ???)(count )(countFS )( FS ??分類和預(yù)測 分類和預(yù)測 的目標(biāo)是 找出描述和區(qū)分不同數(shù)據(jù)類或概念的模型或函數(shù) ，以便能夠使用模型預(yù)測數(shù)據(jù)類或標(biāo)記未知的對象 所獲得的 分類模型 可以采用多種形式加以描述輸出 ?分類規(guī)則 ?判定樹 ?數(shù)學(xué)公式 ?神經(jīng)網(wǎng)絡(luò) ?… 分類與預(yù)測的區(qū)別： 分類通常指預(yù)測數(shù)據(jù)對象屬于哪一類，而當(dāng)被預(yù)測的值是數(shù)值數(shù)據(jù)時，通常稱為預(yù)測 分類和預(yù)測 以 判定樹 方法為例，簡要介紹分類的基本步驟和結(jié)果表示 問題實例 ：假定商場需要向潛在的客戶郵寄新產(chǎn)品資料和促銷信息。這 10位客戶中有 3人的職業(yè)是學(xué)生，其中有 2人購買計算機(jī)，
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1