數(shù)據(jù)挖掘現(xiàn)階段最常用的算法-文庫(kù)吧資料
2025-06-29 20:43本頁(yè)面
【正文】 用。然后利用該網(wǎng)絡(luò)就可以得到輸出的分類(lèi)。該方法的思路是一種generaltospecific的方法，該方法從一個(gè)空規(guī)則開(kāi)始，然后向規(guī)則中依次逐漸增加屬性測(cè)試條件，選擇該屬性測(cè)試值（也就是測(cè)試分界點(diǎn)，attr val）的依據(jù)就是是否能夠最大限度得改進(jìn)規(guī)則的分類(lèi)質(zhì)量。因?yàn)闆Q策樹(shù)天然的就是規(guī)則。基于規(guī)則的分類(lèi)器這種分類(lèi)器利用IF THEN的規(guī)則來(lái)進(jìn)行分類(lèi)。樸素貝葉斯分類(lèi)器的升級(jí)版本就是貝葉斯網(wǎng)絡(luò)，因?yàn)闃闼刎惾~斯網(wǎng)絡(luò)假設(shè)樣本的特征向量的各個(gè)特征屬性是獨(dú)立的，但對(duì)于現(xiàn)實(shí)世界，這樣的建模未必合理，因此有人就提出了貝葉斯網(wǎng)絡(luò)，貝葉斯網(wǎng)絡(luò)假設(shè)各個(gè)屬性之間是存在條件概率的。貝葉斯分類(lèi)器分為兩種，一種是樸素貝葉斯分類(lèi)器，它基于貝葉斯理論：其中X代表特征向量, .:該算法是數(shù)據(jù)挖掘中常用的一類(lèi)方法。分類(lèi)和預(yù)測(cè)分類(lèi)樹(shù)分類(lèi)樹(shù)是一種很常用的分類(lèi)方法，它該算法的框架表述還是比較清晰的，從根節(jié)點(diǎn)開(kāi)始不斷得分治，遞歸，生長(zhǎng)，直至得到最后的結(jié)果。但是還有更好的方法，就是在挖掘的過(guò)程中利用這些條件，從而縮小整個(gè)挖掘過(guò)程中的search space，從而提高效率。對(duì)于上述所提到的關(guān)系挖掘，有一種稱(chēng)之為constraintbased association mining，這是一種特殊的關(guān)系挖掘，它對(duì)于所挖掘出的條件加了一些限制條件，這些限制條件可能是由用戶(hù)提出的，其主要目的是排除一些不感興趣的關(guān)系。所謂quantitative association rules是這樣一種關(guān)系模式：該關(guān)系模式的挖掘，首先是確定我們所感興趣的屬性：quan1,quan2,cat，然后根據(jù)事先確定的間隔，將quan1，quan2按照一定的間隔劃分成一定的catorgory，然后進(jìn)行頻繁模式挖掘，得出一些關(guān)系，然后將這些關(guān)系按照grid進(jìn)行聚合，生成最后的關(guān)系模式。關(guān)系挖掘的基礎(chǔ)是頻繁模式挖掘，通過(guò)頻繁模式挖掘，很容易得出關(guān)系，舉例就很容易明白，比如我們得到一個(gè)頻繁集合：那么通過(guò)排列組合可以得到l的子集集合：那么很容易得到下面的推理集合，也就是挖掘出的關(guān)系：所有的關(guān)系挖掘本質(zhì)上都是基于頻繁模式推導(dǎo)出來(lái)的。為了解決這個(gè)問(wèn)題，一個(gè)直接的思路是將數(shù)據(jù)庫(kù)水平分表到各臺(tái)機(jī)器上，在各臺(tái)機(jī)器上執(zhí)行本地的FP Growth，然后再將各臺(tái)機(jī)器上的結(jié)果匯總起來(lái)，得到最終的FP Growth的結(jié)果。頻繁模式挖掘還有一種更加高效的方式，就是FP Growth，該方法通過(guò)掃描一遍數(shù)據(jù)庫(kù)，在內(nèi)存中構(gòu)造一顆FP tree，基于這棵樹(shù)就可以產(chǎn)生所有的頻繁模式。然后再由二維表產(chǎn)生三維表，直至到n維表。頻繁模式的思路很簡(jiǎn)單，首先統(tǒng)計(jì)出每個(gè)單個(gè)商品出現(xiàn)的次數(shù)，這就構(gòu)成了一個(gè)一維表。它將自變量與因變量的關(guān)系假定是S行的形狀，當(dāng)自變量很小時(shí)，機(jī)率值接近為零；當(dāng)自變量值慢慢增加時(shí)，機(jī)率值沿著曲線增加，增加到一定程度時(shí)，曲線協(xié) 率開(kāi)始減小，故機(jī)率值介于0與1之間。羅吉斯回歸分析（Logistic Analysis）當(dāng)判別分析中群體不符合正態(tài)分布假設(shè)時(shí)，羅吉斯回歸分析是一個(gè)很好的替代方法。（3） 找出哪些預(yù)測(cè)變量具有最大的區(qū)別能力。（1） 找出預(yù)測(cè)變量的線性組合，使組間變異相對(duì)于組內(nèi)變異的比值為最大，而每一個(gè)線性組合與先前已經(jīng)獲得的線性組合均不相關(guān)。判別分析（Discriminant Analysis）當(dāng)所遭遇問(wèn)題它的因變量為定性（categorical），而自變量（預(yù)測(cè)變量）為定量（metric）時(shí)，判別分析為一非常適當(dāng)之技術(shù)，通常應(yīng)用在解決 分類(lèi)的問(wèn)題上面。若面對(duì)新的例證，神經(jīng)網(wǎng)絡(luò)即可根據(jù)其過(guò)去學(xué)習(xí)的成果歸納后，推導(dǎo)出新的結(jié)果，乃屬于機(jī)器學(xué)習(xí)的一種。這樣的工具亦能輔
職業(yè)教育相關(guān)推薦
鄂ICP備17016276號(hào)-1