分类的基本概念
2013-09-01 15:14
197 查看
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
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
相关文章推荐
- 机器学习基本概念(分类方法):Bayes、PCA、LDA 和 K-means
- 索引的基本概念、分类、优点、使用
- 排序的基本概念与分类
- 第9章 排序的基本概念和分类
- 排序的基本概念和分类
- 数据挖掘---分类:基本概念、决策树、与模型评估
- 【笔记】模电—lesson 35 反馈的基本概念与分类 I (hust)
- 数据结构中排序方法基本概念 及 分类
- Animation的基本概念和分类
- 数据挖掘导论学习笔记之分类基本概念、决策树与模型评估
- OLAP分类的基本概念和基本操作
- 索引的基本概念、分类、优点、使用
- 黑马程序员--08.注解--01【注解的基本概念及分类】【Java元注解】
- 基线的基本概念和基线分类
- 流的概念及基本分类
- 索引的基本概念、分类、优点、使用
- 视频信号的分类和基本概念
- 优秀课件笔记之计算机的基本概念和分类
- 特种设备的分类及基本概念
- windows程序员进阶系列:《软件调试》之堆 的基本概念和分类