转载请注明出处 http://www.blogjava.net/fireflyk/archive/2011/09/25/359447.html

1.       分类

1.1   定义：通过学习得到一个目标函数f，把每个属性集x映射到一个预先定义的类标号y。

狭隘地说，有大量数据，预先知道所有的类型，但无法分类，通过将数据的多个属性维度来推测每条数据项属于哪个类型。(男,高,瘦,帅) -> 极品帅哥，(男,矮,胖,丑) -> 猥琐男。

严格来说，“分类”可以用于描述性建模和预测性建模。

1.2   应用场景

适合预测或描述二元或标称的，对于序数分类，分类技术不太有效，其他形式的联系会被忽略。（复习：标称的，=和≠，教师和工人；序数的，<和>，收入高和收入低）

例如，前几天看的一个科学研究，个人认为不适合用分类来做。科学家找来志愿者，按臀围大小分为两组做智商测试，发现臀围大的明显比臀围小的智商测试结果高。于是得出结论，臀围大的智商高。我认为，这就是最明显的一个错误，智商高低是序数分类，不能用分类方法来做。它隐藏了一些内在联系，例如智商高的相对来说爱学习、坐办公室、少运动导致肥胖、臀围大。而不是你把臀围搞大就一定能智商高！

1.3   实现方法

训练数据 -> 学习模型 -> 模型 -> 应用模型 -> 校验数据

简单说就是先训练，得出结论再校验。分类方法包括决策树分类法、基于规则的分类法、神经网络、支持向量机和朴素贝叶斯分类法。

模型准确率 = 正确预测数 / 总数

 

2.       决策树分类

2.1   定义

图2-1

如上图，通过提出一系列精心构思的问题，可以解决分类问题，每当一个问题得到答案，后续问题将随之解决。

根节点、内部节点都是非终结点，是属性测试条件。叶节点也是终结点，是分类结果。

 

2.2   建立决策树

Hunt算法，是许多决策树算法的基础，包括ID3，C4.5，CART。

训练数据集，(Tid, 有房者, 婚姻状况, 年收入, 拖欠贷款)，具体数据见《数据挖掘导论》P94。

大量数据是不拖欠贷款的，所以选取类标号，“拖欠贷款=否”。然后选择测试条件“有房者”。接下来，再看生成数种，哪个叶子节点是无法确定到类标号的，无法确定的递归调用如上步骤，选取测试条件“婚姻状况”，然后是“年收入”。一棵决策树建立好了，为何按照这样的顺序？后边解释。

测试条件，可以是二元的（男，女），标称的（单身、已婚、离异），序数的（S号，M号，L号，XL号，分类结果不能是序数的，但是测试条件可以是序数的），连续的（工资是连续属性）。

 

2.3   选择最佳的划分度量

p(i|t)表示给定节点t中属于类i的记录所占的比例，有时候省略t，直接用pi表示。这里介绍不纯性（我称它为区分度，数字越小，区分度越大）度量的一种方法，c是类的个数，

2.3.1          二元属性划分

划分A，结点N1，类C0，4个，类C1，3个；结点N2，类C0，2个，类C1，3个。

 

Gini(1) = 1-(4/7)²-(3/7)² = 24/49

Gini(2) = 1-(2/5)²-(3/5)² = 12/25

加权Gini = Gini(1) * 7/12 + Gini(2) * 5/12 = 0.486

 

划分B，同理得到Gini=0.371，由此说明划分B更好。

2.3.2          标称属性划分

与二元属性（一个属性，属性值多元）划分衡量方法相同，有三元或多元（一个属性，属性值多元）的情况，根据计算Gini来决定如何划分（可以划分为多路划分，不局限于两路划分）。

 

2.3.3          连续属性划分

把训练集中每一项都作为一个“<=测试条件”，列出每一个结点下的C0数量和C1数量，计算每一个点的Gini。而事实上，不用每一个点都计算。如《数据挖掘导论》P100中，60,70,75连续且类标号相同，120,125,220连续且类标号相同，所以划分点选取不能切断他们，所以这几个点不用计算Gini值。

 

2.4   决策树归纳特点

会有重复的数据碎片，即存在相同两棵子树，如图2-1。

目前为止，每个测试条件只包含一个属性，对于x1+x2<1，也是可以允许的，称为斜决策树。