數(shù)據(jù)挖掘7章分類和預測1-資料下載頁
2025-08-22 09:03本頁面
【導讀】使用決策樹進行分類?；谟柧毤纬梢粋€模型，訓練集中的類標簽是已知的。對連續(xù)性字段進行建模和預測。模型可以用分類規(guī)則，決策樹，或者數(shù)學方程的形式。估計模型的準確率。測試集和訓練集是獨立的。有監(jiān)督學習(分類). 無監(jiān)督學習(聚集). 提供一組屬性，然后尋找出訓練集中存在類別。對數(shù)據(jù)進行預處理，消除噪音和丟失值。去掉不相關或者冗余的屬性。對磁盤駐留數(shù)據(jù)的處理能力。對模型的可理解程度。每個分叉都是分割的一個部分。決策樹生成算法分成兩個步驟。按照決策樹上采用的分割屬性逐層往下，直到一個葉子節(jié)點。自上而下分而治之的方法。所有記錄用所選屬性遞
【正文】 10月 5日星期一 Data Mining: Concepts and Techniques 53 二元變量 ? 非對稱的 如果變量的兩個狀態(tài)不是同樣重要的，則稱該變量是不對稱的。 根據(jù)慣例，將比較重要通常也是出現(xiàn)概率比較小的狀態(tài)編碼為 1，將另一中狀態(tài)編碼為 0。 對于非對稱的二員變量，采用 Jaccard系數(shù)來評價兩個對象之間的相異度 cba cb jid ?? ??),(2020年 10月 5日星期一 Data Mining: Concepts and Techniques 54 二元變量的相異度計算 ? 實例 ? gender 是一個對稱的二元變量 ? 其它的都是非對稱的二元變量 ? 將值 Y和 P 編碼為 1, 值 N 編碼為 0，根據(jù) Jaccard系數(shù)計算得： N a m e G e n d e r F e v e r C o u g h T e s t 1 T e s t 2 T e s t 3 T e s t 4J a c k M Y N P N N NM a ry F Y N P N P NJ im M Y P N N N N21121),(11111),(10210),(???????????????m a r yjimdjimj a c kdm a r yj a c kd2020年 10月 5日星期一 Data Mining: Concepts and Techniques 55 標稱變量（ Nominal Variables） ? 標稱變量是二元變量的推廣，它可以具有多于兩個的狀態(tài)，比如 變量 map_color可以有 red, yellow, blue, green四種狀態(tài)。有兩種計算相異度的方法： ? 方法 1: 簡單匹配方法 ? M是匹配的數(shù)目 , p是全部變量的數(shù)目 ? 方法 2: 使用二元變量 ? 為每一個狀態(tài)創(chuàng)建一個新的二元變量，可以用非對稱的二元變量來編碼標稱變量。 p mpjid ??),(2020年 10月 5日星期一 Data Mining: Concepts and Techniques 56 序數(shù)型變量 ? 一個序數(shù)型變量可以是離散的也可以是連續(xù)的 ? 離散的序數(shù)型變量類似于標稱變量，除了它的 M個狀態(tài)是以有意義的序列排序的，比如職稱 ? 連續(xù)的序數(shù)型變量類似于區(qū)間標度變量，但是它沒有單位，值的相對順序是必要的，而其實際大小并不重要。 2020年 10月 5日星期一 Data Mining: Concepts and Techniques 57 序數(shù)型變量 ? 相異度的計算 與區(qū)間標度變量的計算方法相類似 ? 將 xif 用它對應的秩代替 ? 將每個變量的值域映射到 [， ]上，使得每個變量都有相同的權重。這通過用 zif來替代 rif來實現(xiàn) ? 用前面所述的區(qū)間標度變量的任一種距離計算方法來計算 11???fifif Mrz},...,1{ fif Mr ?2020年 10月 5日星期一 Data Mining: Concepts and Techniques 58 比例標度型變量（ Ratioscaled variable） ? 比例標度型變量 : 總是取正的度量值，有一個非線性的標度，近似的遵循指數(shù)標度，比如 AeBt or AeBt ? 計算相異度的方法 : ? 采用與處理區(qū)間標度變量相同的方法 — 不是一個好的選擇 ? 進行對數(shù)變換，對變換得到的值在采用與處理區(qū)間標度變量相同的方法 yif = log(xif) ? 將其作為連續(xù)的序數(shù)型數(shù)據(jù)，將其秩作為區(qū)間標度的值來對待。 2020年 10月 5日星期一 Data Mining: Concepts and Techniques 59 混合類型的變量 ? 一個數(shù)據(jù)庫可能包含了所有這 6中類型的變量 用以下公式計算對象 i， j之間的相異度 . 其中， p為對象中的變量個數(shù) 如果 xif或 xjf 缺失（即對象 i或?qū)ο?j沒有變量 f的值），或者 xif = xjf =0， 且變量 f是不對稱的二元變量，則指示項 δij(f)=0； 否則δij(f)=1 )(1)()(1),(fijpffijfijpf djid???????2020年 10月 5日星期一 Data Mining: Concepts and Techniques 60 混合類型的變量 ? f 是二元變量或標稱變量 : if xif = xjf dij(f) = 0, else dij(f) = 1 ? f 是區(qū)間標度變量 : dij(f) = | xifxjf |/maxhxhfminhxhf 其中 h遍取變量 f的所有非空缺對象 ? f 是序數(shù)型或比例標度型 ? 計算秩 rif ? 計算 zif并將其作為區(qū)間標度變量值對待 11???fifMrz if2020年 10月 5日星期一 Data Mining: Concepts and Techniques 61 Chapter 8. Cluster Analysis ? 什么是聚類分析 ? ? 聚類分析中的數(shù)據(jù)類型 ? 主要聚類分析方法分類 ? 劃分方法（ Partitioning Methods） ? 分層方法 ? 基于密度的方法 ? 基于表格的方法 ? 基于模型（ ModelBased） 的聚類方法 ? 異常分析 ? 總結 2020年 10月 5日星期一 Data Mining: Concepts and Techniques 62 Major Clustering Approaches ? Partitioning algorithms: Construct various partitions and then evaluate them by some criterion ? Hierarchy algorithms: Create a hierarchical deposition of the set of data (or objects) using some criterion ? Densitybased: based on connectivity and density functions ? Gridbased: based on a multiplelevel granularity structure ? Modelbased: A model is hypothesized for each of the clusters and the idea is to find the best fit of that model to each other 2020年 10月 5日星期一 Data Mining: Concepts and Techniques 63 Thank you !!!
研究報告相關推薦
鄂ICP備17016276號-1