第9章 预测建模：分类与回归.pptVIP

五邑大学计算机学院何国辉数据仓;数据仓库与数据挖掘 Data ;数据挖掘的任务：除模式挖掘以外;在预测模型中，一个变量被表达成;预测建模的训练数据由n对（X，;9.1.1 用于预测的模型结;1. 用于回归的模型主要包括;（1） 线性回归模型是最简单的;（1） 线性回归模型（续）捞前;（2） 非线性回归模型通过在基;（2） 非线性回归模型（续）通;（3） 分段线性模型响应变量Y;2. 用于分类的预测模型主要;（1） 判别模型判别模型的输入;（1） 判别模型（续）举例：当;（1） 判别模型（续）回归模型;（2） 概率模型分类的概率建模;9.1.2 用于预测的评分函;9.1.2 用于预测的评分函;9.1.3 用于预测的搜索和;决策树分类属于判别模型。决策树;举例：下图给出了一个商业上使用;其中：内部节点（方形框）代表对;用决策树进行分类的步骤：第一步;构造决策树是采用自上而下的递归;9.2.1 建树阶段递??处理;9.2.1 建树阶段（续）对;9.2.1 建树阶段（续）决;9.2.1 建树阶段（续）3;9.2.1 建树阶段（续）有;1. 信息增益由Quinla;1. 信息增益（续）计算信息;1. 信息增益（续）计算熵I;1. 信息增益（续）计算熵I;1. 信息增益（续）计算增益;1. 信息增益（续）举例：本;1. 信息增益（续）训练例子;1. 信息增益（续）其中：有;1. 信息增益（续）根据属性;1. 信息增益（续）类似地，;1. 信息增益（续）依次类推;1. 信息增益（续）T1检验;1. 信息增益（续）在得到前;1. 信息增益（续）结合C4;1. 信息增益（续）决策树可;2. 增益比信息增益作为分裂;2. 增益比（续）C4.5算;2. 增益比（续）解决方法：;2. 增益比（续）根据前面实;9.2.2 剪枝阶段决策树的;9.2.2 剪枝阶段（续）剪;下课了。。。休息一会儿。。。面