
分类:基本概念、决策树与模型评估 分类任务就是确定对象属于那个预定义的目标类。就是通过学习得到一个目标函数f,把每个属性集映射到一个预先定义的类标号y. 一、预备知识 分类任务的输入数据是记录的集合,每条记录称为实例,用元组(x,y)表示,其中x是属性的集合,y是一个特殊的集合。 描述性建模:分类模型可以作为解释性工具,用于区分不同类中的对象. 预测性建模:分类模型还可以用于预测未知记录的类标号. 二.解决分类问题的一般方法 分类法的例子包括决策树法、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。 分类模型的性能根据模型正确和错误预测的检验记录计数进行评估,这些计数存放在称作混淆矩阵的表格中。准确性=正确预测数/预测总数。 差错率:错误预测数/预测总数。 三。决策树归纳 1。决策树工作原理 树中包换三种结点: 根结点:它没有入边,但有零条或多条出边。 内部结点:恰有一条入边和两条或多条出边。 叶结点:恰有一条入边,但没有出边。 其中,每个叶结点都赋予一个类标号,非终结点(包括根结点和内部结点)包含属性测试条件,用以分开具有不同特性的记录。一旦构造了决
策树,对检验记录进行分类就是直截了当的,从树的根结点出发,将测试条件用于检验记录,根据测试结果选择适当的分支,沿着该分支或者
达到另一个内部结点,使用新的测试条件或者达到一个叶结点,叶结点的类称号就被赋值给该检验记录。 2。如何建立决策树 对于给定的属性集,可以构造的决策树数目达指数级,找出最佳的决策树在计算上是不可行的,所以通常采用贪心算法,采取一系列局部最优
决策来构造决策树。Hunt算法就是其中一种。 *Hunt算法 Hunt算法通过将训练记录相继划分成较纯的子集,以递归方式建立决策树。 决策树归纳设计问题必须解决以下两个问题:如何分裂训练记录和如何停止分裂过程。 3。表示属性测试条件的方法 二元属性:二元属性的测试条件产生两个可能的输出。 标称属性:由于标称有多个属性值,它的测试条件可以用两种方法表示,多路划分和二元划分(如:CART方法) 充数属性:也可以产生二元或多路划分。 连续属性:测试条件可以具有二元输出的比较测试(A<v)或(A>=v),也可以是具有形如:vi<=A<vi+1来划分输出的范围查询。 4。选择最佳划分的度量 为了确定测试条件的效果,需要比较父结点(划分前)的不纯程度和子女结点(划分后)的不纯程度,它们的差越大,测试条件的效果就越好
。 5。决策树归纳的特点: *决策树归纳是一种构建分类模型的非参数方法。 *找到最佳的决策树是NP完全问题。 *已开发的构建决策树技术不需要昂贵的计算代价。 *决策树相对容易解释,特别是小型的决策树。 *决策树是学习离散值函数的典型代表。 *决策树对于噪声有良好的鲁棒性。 *冗余属性不会对决策的准确率造成不利的影响。 *存在着数据碎片的问题。 *子树可能在决策树中重复多次。 四。模型的过分拟合 分类模型的误差大致分为两种:训练误差和泛化误差。一个好的分类模型不仅要能够很好地拟合训练数据,而且对未知样本也要能准确地分类
。然而,对训练集数据拟合太好的模型,其泛化误差可能比具有较高训练误差的模型高,这就是所谓的模型过分拟合。 1。噪声导致的过分拟合 也就是训练集中有被错误分类的记录。 2。缺乏代表性样本导致的过分拟合 3。过分拟合与多重比较过程 要增加一个属性测试条件,是从候选的属性集中挑一个使得增益大于某个阈值的一个属性,这样算法就会在模型上增加一些欺骗性的结点,导
致过分拟合。 4。泛化误差估计 *使用再代入估计:假设训练数据集可以很好的代表整体数据,因而可以使用训练误差提供对泛化误差的乐观估计。 *结合模型复杂度:如前所述,模型越是复杂,出现过分拟合的几率就越高,因此我们更喜欢较为简单的模型。这种策略与Occam剃刀或节俭原
则一致,Occam剃刀:给定两个具有相同泛化误差的模型,较简单的模型比较复杂的模型更可取。 五。评估分类器的性能 1。保持方法:将被标记的原始数据划分成两个不相交的集合,分别称为训练集和检验集,在训练集上归纳分类模型,在检验集上评估模型的性
能。 2。随机二次抽样:可以多次重复保持方法来改进对分类器性能的估计。 3。交叉验证:每个记录用于训练的次数相同,并且用于检验恰好一次。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10