分类的基本概念

C4 分类
Classification：通过学习得到一个目标函数target function
f（也称为分类模型），把每个属性集x映射到一个预定义的类标号y
   //属性集：属性的集合，如{体温，胎生否，有腿否，冬眠否}
    建模的目的：
        描述性建模：用于描述某一类别对象的特征
        预测性建模：用于预测未知记录的类标号。通过样本学习得到预测模型，用该模型给位置对象分类：
          

  
    分类技术特点：
        1.适用于二元或标称类型的数据集
        2.对于有序分类，如(高收入，中等收入，低收入)不太有效，它不考虑有序数据之间的序列关系
        3.其他关系，如子类，超类等也会忽略。
        本章只讨论二元或标称类属性
4.2通用办法
        *决策树
        *基于规则
        *神经网络
        *支持向量机
        *朴素贝叶斯
    使用学习算法learning algorithm（也称为训练算法）确定分类模型。
        分类模型要求：不仅很好的拟合输入数据(样本)，更要正确的预测未知数据的分类。
        分类模型目标：具有很好的泛化能力模型（准确预测未知数据的分类）
    解决分类的一般过程:
[align=center][/align]
 
分类器的性能评估：性能度量 performance metric，如
    accuracy准确度=正确预测数/预测总数
        error rate 错误率=错误预测数/预测总数