数据挖掘与机器学习(非参数统计)讲述.ppt

* 用决策树归纳分类 决策树 一个类似于流程图的数结构 内部节点表示一个属性上的测试 每个分支代表一个测试的输出 叶结点代表类或类分布 决策树的生成包括两个过程 树的建构 首先所有的训练样本都在根结点 基于所选的属性循环的划分样本 树剪枝 识别和删除哪些反应映噪声或孤立点的分支 决策树的使用:为一个未知的样本分类 在决策树上测试样本的属性值 * Data Mining: Concepts and Techniques * * Data Mining: Concepts and Techniques * 决策树归纳的算法 基本算法 以自顶向下递归的各个击破方式构造决策树 首先,所有的训练样本都在根结点 所有属性都是分类的(如果值是连续的,它们应预先被离散化) 基于所选属性递归的划分样本 在启发式或统计度量的基础上选择测试属性(例如,信息增益) 停止划分的条件 给定节点的所有样本属于同一个类 没有剩余属性可以用来进一步划分样本-使用多数表决来分类叶节点 没有剩余的样本 * 先用决策树，后用神经网络 训练过渡。。。。。解决（项目作业题） * 其每个步骤相关的工作如下表： 业务目标确定 l???????? 对于所有的数据挖掘项目，这并不是自动获得的。许多数据挖掘项目的目标通常是模糊和不清晰的。对于分析人员和决策制定者来说，在任何数据挖掘项目的开始阶段，对业务问题、业务目标以及数据挖掘目的有一个清晰而描述是至关重要的。 l???????? 涉及人员：高级管理人员，业务分析员和项目经理 l??????? 活动：与业务用户的会议和访谈 数据源的识别 l???????? 给定一个业务目标，下一步就是找到可以回答和解决这一业务问题的数据。所需要的数据可以来自操作型数据或者是公司内的数据库/数据仓库。 l???????? 涉及人员：业务分析员，数据挖掘分析员和IT人员 l??????? 活动：与IT部门的会议和访谈 数据收集 l???????? 收集需要的数据有几种方式，这取决于数据需求和经济因素的综合考量。 l???????? 途径：在公司内部数据中提取、向数据公司购买、进行市场调研、从公告或媒体中获取； l???????? 涉及人员：数据挖掘分析员和IT人员 l???????? 活动：确定及收集可能用于挖掘的数据 数据选择 l?? 从数据源选择将使用的数据类型 l?? 数据量大，采集时间长 = 数据抽样技术 1．??????? 平衡减少数据量和采样必须具有较全面的代表性 2．??????? 根据统计方法来计算样本的大小 l?? 了解数据的定义 l?? 数据的质量：准确性、一致性、完整性、有效性、代表性、非冗余性； l?? 涉及人员：数据挖掘分析员、IT人员，有时还有业务分析员 l?? 活动：确定及选择可能用于挖掘的数据 数据质量审核 n???????? 对选择的数据进行审核 n???????? 审核方法 1．??????? 离散数据频率分析 2．??????? 定量数据的分位数分析 3．??????? 图形分析（包括柱状图、饼图、散点图， boxplots， 和时间曲线） n???????? 涉及人员：数据挖掘分析员、IT人员，有时还有业务分析员 n???????? 活动：检测抽取数据的质量 数据转换 n???????? 在选择并检验了需要的数据（表、变量）之后，多数情况下需要进行数据转换。特定的转换取决于数据挖掘类型和数据挖掘工具，比如计算机软件和数据挖掘所使用的技术。 n???????? 典型的转换 n???????? 转换类别变量成数字变量 n???????? 数学转换，如对数转换、次方转换 n???????? 数字定义新变量 n???????? 涉及人员：数据挖掘分析员 n???????? 活动：抽取信息的转换 数据挖掘 n???????? 数据挖掘项目的核心部分 n???????? 尝试多种不同的数据挖掘技术以发现最优 n???????? 数据挖掘方法 n???????? 预测模型：分类、值预估 n???????? 分割 n???????? 链接分析 n???????? 时间序列预测 n???????? 涉及人员：数据挖掘分析员 n???????? 活动：挖掘数据 结果解释 l???????? Analysis of Results：-Select-Train-Test-Analyze--Answer l???????? Definitions n???????? Interestingness：Valid、Novel、Potentially useful、Ultimately understandable n???????? A pattern is knowledge if it satisfies the