国立联合大学资讯管理学系资料探勘课程陈士杰决策树.pptVIP

? 分類 VS. 預測 分類︰ 預測分類標號（或離散值） 根據訓練資料集和類標號屬性，構建模型來分類現有資料，並用來分類新資料 預測︰ 建立連續函數值模型，比如預測空缺值 典型應用 信譽證實 目標市場 醫療診斷 性能預測 分類(Classification) 分類的意義 ? 資料分類: 一個兩步過程 第一步，建立一個模型，描述預定資料類集和概念集 假定每個元組屬於一個預定義的類，由一個類標號屬性確定 基本概念 訓練資料集︰由為建立模型而被分析的資料元組形成 訓練樣本︰訓練資料集中的單個樣本（元組） 學習模型可以用分類規則、決策樹或數學公式的形式提供 第二步，使用模型，對將來的或未知的對象進行分類 首先評估模型的預測準確率 對每個測試樣本，將已知的類標號和該樣本的學習模型類預測比較 模型在給定測試集上的準確率是正確被模型分類的測試樣本的百分比 測試集要獨立於訓練樣本集，否則會出現“過分適應資料”的情況 第一步: 建立模型 第二步: 用模型進行分類 1.模型建立(Model Building) 2.模型評估(Model Evaluation) 3.使用模型(Use Model) Example 分類的目的 1.尋找影響某一重要變項的因素。 2.了解某一族群的特徵。 3.建立分類規則。 例如: 行銷策略(市場區隔) 銀行(核卡額度) 醫療診斷(