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
“最近复购率一直在下降,我们的营销力度不小啊,为什么用户还是走了?” “是不是广告投放的用户质量不高?还是我们的产品问题 ...
2025-02-21以下文章来源于数有道 ,作者数据星爷 SQL查询是数据分析工作的基础,也是CDA数据分析师一级的核心考点,人工智能时代,AI能为 ...
2025-02-19在当今这个数据驱动的时代,几乎每一个业务决策都离不开对数据的深入分析。而其中,指标波动归因分析更是至关重要的一环。无论是 ...
2025-02-18当数据开始说谎:那些年我们交过的学费 你有没有经历过这样的场景?熬了三个通宵做的数据分析报告,在会议上被老板一句"这数据靠 ...
2025-02-17数据分析作为一门跨学科领域,融合了统计学、编程、业务理解和可视化技术。无论是初学者还是有一定经验的从业者,系统化的学习路 ...
2025-02-17挖掘用户价值本质是让企业从‘赚今天的钱’升级为‘赚未来的钱’,同时让用户从‘被推销’变为‘被满足’。询问deepseek关于挖 ...
2025-02-17近来deepseek爆火,看看deepseek能否帮我们快速实现数据看板实时更新。 可以看出这对不知道怎么动手的小白来说是相当友好的, ...
2025-02-14一秒精通 Deepseek,不用找教程,不用买资料,更不用报一堆垃圾课程,所有这么去做的,都是舍近求远,因为你忽略了 deepseek 的 ...
2025-02-12自学 Python 的关键在于高效规划 + 实践驱动。以下是一份适合零基础快速入门的自学路径,结合资源推荐和实用技巧: 一、快速入 ...
2025-02-12“我们的利润率上升了,但销售额却没变,这是为什么?” “某个业务的市场份额在下滑,到底是什么原因?” “公司整体业绩 ...
2025-02-08活动介绍 为了助力大家在数据分析领域不断精进技能,我们特别举办本期打卡活动。在这里,你可以充分利用碎片化时间在线学习,让 ...
2025-02-071、闺女,醒醒,媒人把相亲的带来了。 我。。。。。。。 2、前年春节相亲相了40个, 去年春节相亲50个, 祖宗,今年你想相多少个 ...
2025-02-06在数据科学的广阔领域中,统计分析与数据挖掘占据了重要位置。尽管它们常常被视为有关联的领域,但两者在理论基础、目标、方法及 ...
2025-02-05在数据分析的世界里,“对比”是一种简单且有效的方法。这就像两个女孩子穿同一款式的衣服,效果不一样。 很多人都听过“货比三 ...
2025-02-05当我们只有非常少量的已标记数据,同时有大量未标记数据点时,可以使用半监督学习算法来处理。在sklearn中,基于图算法的半监督 ...
2025-02-05考虑一种棘手的情况:训练数据中大部分样本没有标签。此时,我们可以考虑使用半监督学习方法来处理。半监督学习能够利用这些额 ...
2025-02-04一、数学函数 1、取整 =INT(数字) 2、求余数 =MOD(除数,被除数) 3、四舍五入 =ROUND(数字,保留小数位数) 4、取绝对值 =AB ...
2025-02-03作者:CDA持证人 余治国 一般各平台出薪资报告,都会哀嚎遍野。举个例子,去年某招聘平台发布《中国女性职场现状调查报告》, ...
2025-02-02真正的数据分析大神是什么样的呢?有人认为他们能轻松驾驭各种分析工具,能够从海量数据中找到潜在关联,或者一眼识别报告中的数 ...
2025-02-01现今社会,“转行”似乎成无数职场人无法回避的话题。但行业就像座围城:外行人看光鲜,内行人看心酸。数据分析这个行业,近几年 ...
2025-01-31