数据挖掘--分类课件ppt

03:03
22
决策树修剪算法
基本的决策树构造算法没有考虑噪声，因此生成 的决策树完全与训练集拟合。在有噪声情况下， 将导致过分拟合（Overfitting），即对训练数据的 完全拟合反而使对现实数据的分类预测性能下降。
比如每个样本都是一个叶子节点。
现实世界的数据一般不可能是完美的，可能缺值 （Missing Values）；数据不完整；含有噪声甚至 是错误的。
第三章 分类方法
分类的基本概念与步骤 基于距离的分类算法 决策树分类方法 贝叶斯分类 实值预测 与分类有关的问题
内容提要
03:03
12
基于距离的分类算法的思路
定义4-2 给定一个数据库 D={t1，t2，…，tn}和一 组类C={C1，…，Cm}。假定每个元组包括一些数 值型的属性值：ti={ti1，ti2，…，tik}，每个类也包 含数值性属性值：Cj={Cj1，Cj2，…，Cjk}，则分 类问题是要分配每个ti到满足如下条件的类Cj：
建立分类模型需要学习一部分已知数据，如果 训练时间过长，或者预测模型参数太多而样本 较少，将导致过度训练(overfitting)。
03:03
6
如何避免过度训练
避免过度训练最重要一点是，模型的参数量应 远小于样本的数量。
应建立训练集(training set)和测试集(test set)。
第三章 分类方法
分类的基本概念与步骤 基于距离的分类算法 决策树分类方法 贝叶斯分类 实值预测 与分类有关的问题
内容提要
03:03
1
分类的流程
动物种类 体型 翅膀数量 脚的只数 是否产蛋 是否有毛
狗
中
0
4
否
是
猪
大
0
4
否
是
牛
大
0
麻雀
小
2
4
否
是
2
是
是
天鹅
中
2
2
是
是
大雁
03:03
7
分类模型的评估
真阳性(True Positive)： 实际为阳性 预测为阳性 真阴性(True Negative)：实际为阴性 预测为阴性 假阳性(False Positive)： 实际为阴性 预测为阳性 假阴性(False Negative)：实际为阳性 预测为阴性
预测是否正确 预测结果 比如预测未知动物是鸟类还是爬行动物，阳性代表爬
03:03
16
K-近邻分类算法
K-近邻分类算法（K Nearest Neighbors，简称KNN）通过 计算每个训练数据到待分类元组的距离，取和待分类元组 距离最近的K个训练数据，K个数据中哪个类别的训练数据 占多数，则待分类元组就属于哪个类别。
算法 4-2 K-近邻分类算法
输入： 训练数据T；近邻数目K；待分类的元组t。
性别 身高(米) 类别
1.6 矮
男 2高
女 1.83 高
女 1.88
高
女 1.7
矮
男 1.85 中等
女 1.6 矮
男 1.7 矮
男 2.2 高
男 2.1 高
女 1.8 高
男 1.82 中等
女 1.7 中等
女 1.75 中等
女 1.73 中等
03:03
KNN的例子
只使用身高做特征， K=3，对于样本 <kate,1.8,女>应 属于哪个类别？
仅使用同性别样本 做训练，K=3，对 于样本<kate,1.8, 女>应属于哪个类 别？
18
第三章 分类方法
分类的基本概念与步骤 基于距离的分类算法 决策树分类方法 贝叶斯分类 实值预测 与分类有关的问题
内容提要
03:03
19
年龄 收 是否 信用 是否买 入 学生 状况 电脑
动物A 大
0
2
是
无
动物B 中
2
2
否
是
类别 爬行动物 爬行动物 爬行动物
鸟类 鸟类 鸟类 ？ ？
根据现有的知识，我们得到了一些关于爬行动物和鸟类的信息， 我们能否对新发现的物种，比如动物A，动物B进行分类？
03:03
2
分类的流程
动物种类 体型
狗
中
猪
大
牛
大
麻雀 小
天鹅 中
大雁 中
翅膀数量
0 0 0 2 2 2
sim(ti，Cj)>=sim(ti，Cl) ，Cl∈C，Cl≠Cj，
其中sim(ti，Cj)被称为相似性。
在实际的计算中往往用距离来表征，距离越近， 相似性越大，距离越远，相似性越小。
距离的计算方法有多种，最常用的是通过计算每 个类的中心来完成。
03:03
13
基于距离的分类算法的一般性描述
训练集应用于建立分类模型 测试集应用于评估分类模型
K折叠交叉验证(K-fold cross validation)：将初 始采样分割成K个子样本(S1，S2,...,Sk)，取K-1个 做训练集，另外一个做测试集。交叉验证重复K 次，每个子样本都作为测试集一次，平均K次的 结果，最终得到一个单一估测。
脚的只数 是否产蛋 是否有毛
4
否
是
4
否
是
4
否
是
2
是
是
2
是
是
2
是
是
类别
爬行动物 爬行动物 爬行动物
鸟类 鸟类 鸟类
步骤一：将样本转化为等维的数据特征（特征提取）。
所有样本必须具有相同数量的特征 兼顾特征的全面性和独立性
03:03
3
分类的流程
动物种类 体型
狗
中
猪
大
牛
大
麻雀 小
天鹅 中
大雁 中
数据集有10只非爬行动物，其中8只被预测为非爬行动物，特 异度为8/10
精度(Precision):
TP/(TP+FP)
分类器预测了12只动物为爬行动物，其中10只确实是爬行动 物，精度为10/12
准确率(Accuracy): (TP+TN)/(TP+TN+FN+FP)
数据集包含23只动物，其中18只预测为正确的分类，准确率 为18/23
翅膀数量
0 0 0 2 2 2
脚的只数 是否产蛋 是否有毛
4
否
是
4
否
是
4
否
是
2
是
是
2
是
是
2
是
是
类别
爬行动物 爬行动物 爬行动物
鸟类 鸟类 鸟类
步骤二：选择与类别相关的特征（特征选择）。
比如，绿色代表与类别非常相关，黑色代表部分相关，灰 色代表完全无关
03:03
4
分类的流程
f (xi1, xi2, xi3,......,xin) yi
马修斯相关性系数定义为
03:03
10
分类模型的评估
ROC曲线通过描述真阳性率(TPR)和假阳性率(FPR)来实 现，其中TPR=TP/(TP+FN), FPR=FP/(FP+TN)。
大部分分类器都输出一个实数值(可以看作概率),通过变 换阈值可以得到多组TPR与FPR的值。
03:03
11
20
决策树表示与例子
决策树（Decision Tree）的每个内部结点表示一 个属性（特征），每个分枝代表一个特征的一个 （类）取值；
每个树叶结点代表类或类分布。 决策树分类方法采用自顶向下的递归方式，在决
策树的内部结点进行属性的比较，从而判断从该 结点向下的分枝，在决策树的叶结点得到结论。 从决策树的根到叶结点的一条路径就对应着一条 规则，整棵决策树就对应着一组规则。 决策树分类模型的建立通常分为两个步骤：
03:03
9
分类模型的评估
对于非平衡(unblanced)的数据集,以上指标并不能很好的 评估预测结果。
非平衡的数据集是指阳性数据在整个数据集中的比例很 小。比如，数据集包含10只爬行动物，990只爬行动物， 此时，是否预测正确爬行动物对准确率影响不大。
更平衡的评估标准包括马修斯相关性系数(Matthews correlation coefficient)和ROC曲线。
END.
算法 4-1通过对每个样本和各个类的中心来比较， 从而可以找出他的最近的类中心，得到确定的类 别标记。
03:03
14
基于距离的分类方法的直观解释
（a）类定义 （b）待分类样例 （c）分类结果
03:03
15
距离分类例题
C1=(3,3,4,2), C2=(8,5,-1,-7), C3=(-5,-7,6,10); 请用基于距离的算法给以下样本分类： (5,5,0,0) (5,5,-5,-5) (-5,-5,5,5)
输出： 输出类别c。
（1）N=；
（2）FOR each d ∈T DO BEGIN
（3） IF |N|≤K THEN
（4） N=N ∪{d}；
（5） ELSE
（6） IF u ∈N such that sim(t，u)〈sim(t，d) THEN BEGIN
（7）
N=N - {u}；
（8）
N=N ∪{d}；
<=30 高 否 一般 否
30— 高 否 一般 是 40 >40 中 否 一般 是
>40 低 是 一般 是
>40 低 是 良好 否
30— 低 是 良好 是 40
<=30 中 否 一般 否