人工智能算法陈雪松18课件讲解.pptx

人工智能算法主讲人：陈雪松

课程导入算法是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。

一、决策树二、人工神经网络三、预测四、相关性分组或关联规则五、聚类六、特征分析

七、变化和偏差分析八、Web页挖掘九、迭代算法十、朴素贝叶斯十一、支持向量机十二、深度学习

决策树

决策树决策树通过把实例从根节点排列到某个叶子节点来对实例进行分类，叶子节点就是实例所属的分类。决策树上的每一个节点都是对实例的某一个属性的测试，每一个节点后面的分支都是这个属性的一个值。

决策树通常，当树的分支越小那么这个决策机制就越简单，预测能力也就越强。如果想要构造一个尽可能小的树，那么就要选择恰当的分类、逻辑判断或属性。

缺点优点决策树可以生成可以理解的分支规则，较小的计算量，对连续和离散字段适应性较强，对重要节点一目了然。不容易处理连续性字段，错误会随类别增多而增多，用于分类的方法仅限于上一节点，所以对全局考虑不周全。

人工神经网络

人工神经网络由人工建立的以有向图为拓扑结构的动态系统，是一种模拟人脑神经触突联接机制信息处理的数学模型。人工神经网络

人工神经网络同时可处理定性与定量数据，可以学习和自适应未知或不确定知识，对非线性关系可以充分逼近，故有很强的适应性和容错性；因采用并行分布处理方法，可以进行少量数据处理。人工神经网络的特点

图13-1人工神经网络示意图

预测（Prediction）

预测预测分析方法反映的是预测对象数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依存关系。

预测主要研究问题数据序列的趋势特征数据序列的预测数据间的相关关系

相关性分组或关联规则（Affinitygroupingorassociationrules）

相关性分组或关联规则研究现象A，B之间是某种依存关系研究变量X，Y之间的相互依存关系的密切程度就是对总体中确实具有联系的标志进行分析，其主体是对总体中具有因果关系标志的分析。

相关性分组或关联规则描述客观事物相互间关系的密切程度并用适当的统计指标表示出来的过程。

聚类（Clustering）

聚类是一个将数据集划分为若干组或类的过程，并使得同一个组内的数据对象具有较高的相似度而不同组中的数据对象是不相似的。聚类

聚类相似或者不相似描述的是基于数据描述属性的取值来确定的。通常是利用各对象间的距离来进行表示。

聚类K-均值算法（K-Means）K-均值是著名聚类算法，它找出代表聚类结构的k个质心。如果有一个点到某一质心的距离比到其他质心都近，这个点则指派到这个最近的质心所代表的簇。依次，利用当前已聚类的数据点找出一个新质心，再利用质心给新的数据指派一个簇。

特征分析（Features）

特征分析特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。

变化和偏差分析（Changeanddeviationanalysis）

010203变化和偏差分析偏差包括很大一类潜在有趣的知识，如分类中的反常实例模式的例外观察结果对期望的偏差

变化和偏差分析目的：寻找观察结果与参照量之间有意义的差别意外规则的挖掘可以应用到各种异常信息的发现、分析、识别、评价和预警等方面。

Web页挖掘（Webpagemining）

Web页挖掘Web上的信息量巨大而丰富，通过对Web的挖掘，可以利用Web的海量数据进行分析，收集有关信息：政治0101经济02政策03科技04金融05各种市场06竞争对手07供求信息08

Web页挖掘集中精力分析和处理对依法治理有重大或潜在重大影响的外部环境信息和内部管理信息，并根据分析结果找出依法治理过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，以便识别、分析、评价和管理危机。

迭代算法（AdaptiveBoosting/AdaBoost）

迭代算法一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。含义：多种学习算法的融合

朴素贝叶斯（NaiveBayesian）

朴素贝叶斯朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。朴素贝叶斯分类器基于一个简单的假定：给定目标值时属性之间相互条件独立。12

朴素贝叶斯0102通过以上定理和“朴素”的假定，在统计数据的基础上，依据条件概率公式，计算当前特征的样本属于某个分类的概率，选择最大的概率分类。对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。

支持向量机（SVM）

支持向量机支持向量机是一类按监督学习方式对数据进行二元分类的广义线性