數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和weka-文庫吧資料
2025-05-22 09:02本頁面
【正文】 本記錄 ? Attribute： 數(shù)據(jù)字段 – Nominal： outlook: sunny = no – Ordinal： 距離無法度量，如 hot mild cool – Interval： 距離可度量，如整數(shù) – Ratio： 如 % 輸入： Preparing the input* ? Gathering the data together – The data must be assembled, integrated, and cleaned up（ Data Warehousing） – Selecting the right type and level of aggregation is usually critical for success ? 屬性類型： ? ARFF文件格式（備注： ） ? 支持兩種基本類型： nominal and numeric， 盡可能用前者 ? 屬性值 ? Missing value： 去掉該樣本、替代、（用 ?來表示字段值） ? Inaccurate value： 一粒老鼠屎 —— 需要領(lǐng)域知識！ ? Getting to know your data! ? 數(shù)據(jù)清理一個耗時、費力，卻很重要的過程， ? Garbage in, garbage out! 輸出： Knowledge representation ? Decision tables ? Decision trees ? Classification rules ? If a and b then x ? Association rules： 多個結(jié)果 ? If … then outlook=sunny and humidity=high ? Rules with exceptions () ? If … then … except… else … except… ? Trees for numeric prediction ? Instancebased representation ? Clusters 算法： The basic methods ? Simplicityfirst： simple ideas often work very well ? Very simple classification rules perform well on most monly used datasets (Holte 1993) ? Inferring rudimentary rules （ 算法： 1R、 1Rule） ? Statistical modeling（ 算法： Na239。 – to mit to memory。 – This book is about—— Techniques for finding and describing structural patterns in data. – structural patterns表示法：表、樹、規(guī)則 概念： Machine Learning ? To learn: – to get knowledge of study, experience, or being taught。 – About solving problems by analyzing data already present in databases。 ? 數(shù)據(jù)挖掘（ data Mining） 只是 KDD/ML的一個重要組成部分。數(shù)據(jù)挖掘 — 實用機(jī)器學(xué)習(xí)技術(shù)及 Java實現(xiàn) ? 原書 – 英文版 《 Data Min
醫(yī)療健康相關(guān)推薦
鄂ICP備17016276號-1