数据挖掘技术解析.ppt

* Boosting 过程: 在一定的权重条件下训练数据，得出分类法Ct 根据Ct的错误率调整权重 Set of weighted instances Classifier Ct train classifier adjust weights * AdaBoost 初始赋予每个样本相等的权重1/N ； For t = 1, 2, …, T Do 学习得到分类法Ct； 计算该分类法的错误率Et Et=所有被错误分类的样本的权重和； βt= Et/（1 - Et） 根据错误率更新样本的权重； 正确分类的样本： Wnew= Wold* βt 错误分类的样本： Wnew= Wold 调整使得权重和为1； 每个分类法Ct的投票价值为log [ 1 / βt ] * Boosting … … x c1(x) c2(x) cT(x) C* c*(x) = argmaxcm Sct(x)=cm log(1/bt) C1 train S,w1 train C2 S,w2 CT train S,wT * 聚 类 聚类是把不同的个体分割成有相似性的子群。它不事先预定好类，完全根据其自相似性归类。 如不同症状的集合可能表示为某种疾病。 类内各对象相似度高，类间对象差别大。这种无标记的分类过程称聚类（Clustering），得到的类称簇（Cluster）。 聚类是人类学会区分事物（抽象或具体)的能力。 它是无指导的学习。 聚类源于许多领域:统计学，模式识别，机器学习,生物学。 * 聚类方法 划分方法 层次方法 基于密度方法 基于网格方法 基于模型方法 * 划分方法 划分方法概念: 将一个包含n个数据对象的数据库,要生成簇数目k，用一个算法将数据组织成k个划分（k= n），其中每个划分代表一个簇（Cluster）。这样面临两个问题： （1）k选多少，怎么选（2）怎样归类 给定一个k，要构造出k个簇，并满足采用的划分准则： 全局最优:尽可能的列举所有的划分； 启发式方法: k-均值和 k-中心点算法 k-均值 :由簇的平均值来代表簇； k-中心点或 PAM （围绕中心点的划分）: 每个簇由簇中的某个数据对象来代表。 * K-均值算法 算法：k-均值算法； 输入：包括n个对象的数据库,簇的数目k 输出：k个簇，使平方误差准则最小； 方法： 1) 任意选择k个对象作为初始的簇的中心； 2）计算各对象与K个簇中心的相似度，将各对象归于最相似的簇，对簇内对象计算出新的平均值（中心）； 3)再计算各对象与新的K个簇中心的相似度，再根据各对象与新的簇平均值相似度，将每个对象重新赋给最类似的簇，形成新的簇对象； 4)再更新簇的平均值，即计算每个对象的平均值 5)直到不再发生变 * 层次方法 对给定数据对象集合进行层次分解。根据层次分解的形成方法，分凝聚方法和分裂方法。 凝聚方法： 自底向上凝聚（找相近），先一个元组一个组，然后合并相近组为新组（簇），逐级向上，直至为一组，或达到终止条件。 分裂方法： 先所有元组为一个组，迭代一次往下分几个组，直至每个元组为一个组（簇）或达到终止条件。 层次方法的缺陷，一旦一个步骤（合并或分裂）完成，就不能被撤销。 * X1 X2 X3 X4 X5 X6 X1 X2 X4 X3 X5 X6 谱系关系图 * 基于密度方法 划分方法是基于距离找相近，这样就形成一个一 个的接近球形的簇。 但有些问题簇不是球形，而是不规则的图形。 基于密度的方法是临近区域元组的数目（密度） 超过某个阈值，就形成一个簇。这样超过一 定数目元组点（密度）区域就聚类为任意形状的簇。 这种方法可过滤噪声和孤立点。 * * * 时间序列聚类分析方法 改进的k-均值算法：利用层次算法得到一组初始聚类中心，这样就优化了初始聚类中心的选择。 方法概要：首先利用ICA方法提取静态特征数据，即混合矩阵，然后利用本文所提出的改进k-均值算法对所提取的静态特征数据进行聚类，从而完成了对原始时间序列数据的聚类， * 数值实验结果 第一类：1，3，12，13，15，18，22； 第二类：14，40； 第三类：4，5，16，21，27，29，39； 第四类：9，17，19，31，33，36； 第五类：2，11，23，24，25，26，30，32，37； 第六类：6，7，10，28； 第七类：8，34，35，38； 第八类：20； * 同类中的股票走势 * 不同类中的股票走势 * 复杂网络社区结构划分 美国一所大学中空手道俱乐部成员间关系的网络 * 神经元网络 人工神经网络提供了一种普遍且实用的分类方法,从样本中学习值为实数、离散值