《數(shù)據挖掘》課程PPT-分類和預測資料.ppt

1、分類和預測,分類 VS. 預測,分類和預測是兩種數(shù)據分析形式，用于提取描述重要數(shù)據類或預測未來的數(shù)據趨勢 的模型 分類： 預測類對象的分類標號（或離散值） 根據訓練數(shù)據集和類標號屬性，構建模型來分類現(xiàn)有數(shù)據，并用來分類新數(shù)據 預測： 建立連續(xù)函數(shù)值模型 比如預測空缺值，或者預測顧客在計算機設備上的花費 典型應用 欺詐檢測、市場定位、性能預測、醫(yī)療診斷,分類和預測-示例,分類 銀行貸款員需要分析數(shù)據，來弄清哪些貸款申請者是安全的，哪些是有風險的（將貸款申請者分為“安全”和“有風險”兩類） 我們需要構造一個分類器來預測類屬編號，比如預測顧客屬類 預測 銀行貸款員需要預測貸給某個顧客多少錢是安全的

2、構造一個預測器，預測一個連續(xù)值函數(shù)或有序值，常用方法是回歸分析,數(shù)據分類一個兩步過程 (1),第一步，也成為學習步，目標是建立描述預先定義的數(shù)據類或概念集的分類器 分類算法通過分析或從訓練集“學習”來構造分類器。 訓練集由數(shù)據庫元組（用n維屬性向量表示）和他們相對應的類編號組成；假定每個元組屬于一個預定義的類 訓練元組：訓練數(shù)據集中的單個元組 學習模型可以用分類規(guī)則、決策樹或數(shù)學公式的形式提供,數(shù)據分類一個兩步過程 (2),第二步，使用模型，對將來的或未知的對象進行分類 首先評估模型的預測準確率 對每個測試樣本，將已知的類標號和該樣本的學習模型類預測比較 模型在給定測試集上的準確率是正確被模型

3、分類的測試樣本的百分比 測試集要獨立于訓練樣本集，否則會出現(xiàn)“過分擬合”的情況,第一步建立模型,訓練數(shù) 據集,分類算法,IF rank = professor OR years 6 THEN tenured = yes,分類規(guī)則,第二步用模型進行分類,分類規(guī)則,測試集,未知數(shù)據,(Jeff, Professor, 4),Tenured?,監(jiān)督學習 VS. 無監(jiān)督學習,監(jiān)督學習（用于分類） 模型的學習在被告知每個訓練樣本屬于哪個類的“指導”下進行 新數(shù)據使用訓練數(shù)據集中得到的規(guī)則進行分類 無監(jiān)督學習（用于聚類） 每個訓練樣本的類編號是未知的，要學習的類集合或數(shù)量也可能是事先未知的 通過一系列的度

4、量、觀察來建立數(shù)據中的類編號或進行聚類,數(shù)據預測的兩步過程,數(shù)據預測也是一個兩步的過程，類似于前面描述的數(shù)據分類 對于預測，沒有“類標號屬性” 要預測的屬性是連續(xù)值，而不是離散值，該屬性可簡稱“預測屬性” E.g. 銀行貸款員需要預測貸給某個顧客多少錢是安全的 預測器可以看作一個映射或函數(shù)y=f(X) 其中X是輸入；y是輸出，是一個連續(xù)或有序的值 與分類類似，準確率的預測，也要使用單獨的測試集,準備分類和預測的數(shù)據,通過對數(shù)據進行預處理，可以提高分類和預測過程的準確性、有效性和可伸縮性 數(shù)據清理 消除或減少噪聲，處理空缺值，從而減少學習時的混亂 相關分析 數(shù)據中的有些屬性可能與當前任務不相關；

5、也有些屬性可能是冗余的；刪除這些屬性可以加快學習步驟，使學習結果更精確 數(shù)據變換與歸約 數(shù)據可以通過規(guī)范化進行變換，將所給屬性的所有值按比例進行縮放，使其落入一個較小的指定區(qū)間，例 0.0, 1.0（ANN和設計距離的度量方法中常用） 可以將數(shù)據概化到較高層概念,比較分類方法,使用下列標準比較分類和預測方法 預測的準確率：模型正確預測新數(shù)據的類編號的能力 速度：產生和使用模型的計算花銷 健壯性：給定噪聲數(shù)據或有空缺值的數(shù)據，模型正確預測的能力 可伸縮性：對大量數(shù)據，有效的構建分類器或預測器的能力 可解釋性：學習模型提供的理解和洞察的層次,用決策樹歸納分類 (1),什么是決策樹？ 類似于流程圖的

6、樹結構 每個內部節(jié)點表示在一個屬性上的測試 每個分枝代表一個測試輸出 每個樹葉節(jié)點存放一個類編號,age?,student?,credit rating?,no,yes,fair,excellent,youth,senior,no,no,yes,yes,yes,Middle aged,決策樹：Buys_computer,用決策樹歸納分類 (2),使用決策樹分類 給定一個類標號未知的元組X，在決策樹上測試元組的屬性值，跟蹤一條由根到葉節(jié)點的路徑，葉節(jié)點存放該元組的類預測。 決策樹容易轉換為分類規(guī)則 決策樹的生成由兩個階段組成 決策樹構建 使用屬性選擇度量來選擇將元組最好的劃分為不同的類的屬性 遞

7、歸的通過選定的屬性，來劃分樣本 （必須是離散值） 樹剪枝 決策樹建立時，許多分枝反映的是訓練數(shù)據中的噪聲和離群點點，樹剪枝試圖識別并剪去這種分枝，以提高對未知數(shù)據分類的準確性,決策樹歸納策略 (1),輸入 數(shù)據劃分D是訓練元組和對應類標號的集合 attribute_list,候選屬性的集合 Attribute_selection_method，指定選擇屬性的啟發(fā)性過程 算法步驟 樹以代表訓練樣本的單個節(jié)點（N）開始 如果樣本都在同一個類，則該節(jié)點成為樹葉，并用該類標記 否則，算法調用Attribute_selection_method，選擇能夠最好的將樣本分類的屬性；確定“分裂準則”，指出“分

8、裂點”或“分裂子集”。,P189 圖6-3,決策樹歸納策略 (2),對測試屬性每個已知的值，創(chuàng)建一個分支，并以此劃分元組 算法使用同樣的過程，遞歸的形成每個劃分上的元組決策樹。一旦一個屬性出現(xiàn)在一個節(jié)點上，就不在該節(jié)點的任何子節(jié)點上出現(xiàn) 遞歸劃分步驟停止的條件 劃分D（在N節(jié)點提供）的所有元組屬于同一類 沒有剩余屬性可以用來進一步劃分元組使用多數(shù)表決 沒有剩余的樣本 給定分支沒有元組，則以D中多數(shù)類創(chuàng)建一個樹葉,P189 圖6-3,屬性選擇度量,屬性選擇度量是一種選擇分裂準則，將給定類標號的訓練元組最好的進行劃分的方法 理想情況，每個劃分都是“純”的，即落在給定劃分內的元組都屬于相同的類 屬性

9、選擇度量又稱為分裂準則 常用的屬性選擇度量 信息增益 增益率 Gini指標,信息增益 (1),S是一個訓練樣本的集合，該樣本中每個集合的類編號已知。每個樣本為一個元組。有個屬性用來判定某個訓練樣本的類編號 假設S中有m個類，總共s個訓練樣本，每個類Ci有si個樣本(i1,2,3.m)，那么任意一個樣本屬于類Ci的概率是si / s，那么用來分類一個給定樣本的期望信息是：,信息增益 (2),一個有v個值的屬性Aa1,a2,.,av可以將S分成v個子集S1,S2,.,Sv，其中Sj包含S中屬性A上的值為aj的樣本。假設Sj包含類Ci的sij個樣本。根據A的這種劃分的期望信息稱為A的熵 A上該劃分的

10、獲得的信息增益定義為： 具有高信息增益的屬性，是給定集合中具有高區(qū)分度的屬性。所以可以通過計算S中樣本的每個屬性的信息增益，來得到一個屬性的相關性的排序。,判定歸納樹算法示例 (1),對于上述數(shù)據，可以略過步驟1，2 步驟3，計算基于熵的度量信息增益，作為樣本劃分的根據 Gain(age)=0.246 Gain(income)=0.029 Gain(student)=0.151 Gain(credit_rating)=0.048 然后，對測試屬性每個已知的值，創(chuàng)建一個分支，并以此劃分樣本，得到第一次劃分,判定歸納樹算法示例 (2),判定歸納樹算法示例 (3),age?,overcast,stu

11、dent?,credit rating?,no,yes,fair,excellent,youth,senior,no,no,yes,yes,yes,Middle aged,防止分類中的過分適應,產生的決策樹會出現(xiàn)過分適應數(shù)據的問題 由于數(shù)據中的噪聲和孤立點，許多分枝反應的是訓練數(shù)據中的異常 對新樣本的判定很不精確 防止過分適應的兩種方法 先剪枝：通過提前停止樹的構造如果在一個節(jié)點劃分樣本將導致低于預定義臨界值的分裂（e.g. 使用信息增益度量） 選擇一個合適的臨界值往往很困難 后剪枝：由“完全生長”的樹剪去分枝對于樹中的每個非樹葉節(jié)點，計算該節(jié)點上的子樹被剪枝可能出現(xiàn)的期望錯誤率 使用一個獨立

12、的測試集來評估每顆樹的準確率，就能得到具有最小期望錯誤率的決策樹,由決策樹提取分類規(guī)則,可以提取決策樹表示的知識，并以IF-THEN形式的分類規(guī)則表示 對從根到樹葉的每條路徑創(chuàng)建一個規(guī)則 沿著給定路徑上的每個屬性-值對形成規(guī)則前件（IF部分）的一個合取項 葉節(jié)點包含類預測，形成規(guī)則后件（THEN部分） IF-THEN規(guī)則易于理解，尤其樹很大時 示例： IF age = “youth” AND student = “no” THEN buys_computer = “no” IF age = “youth” AND student = “yes” THEN buys_computer = “ye

13、s” IF age = “middle_aged” THEN buys_computer = “yes” IF age = “senior” AND credit_rating = “excellent” THEN buys_computer = “yes” IF age = “senior” AND credit_rating = “fair” THEN buys_computer = “no”,可伸縮性與決策歸納樹,分類挖掘是一個在統(tǒng)計學和機器學習的領域也被廣為研究的問題，并提出了很多算法，但是這些算法都是內存駐留的 可伸縮性問題：要求以合理的速度對數(shù)以百萬計的樣本和數(shù)以百計的屬性的進行分

14、類挖掘 由大型數(shù)據庫構造決策樹 首先將樣本劃分為子集，每個子集可以放在內存中 然后由每個自己構造一顆決策樹 輸出的分類法將每個子集的分類法組合在一起 （其他方法包括SLIQ, SPRINT,RainForest等等）,貝葉斯分類,貝葉斯分類利用統(tǒng)計學中的貝葉斯定理，來預測類成員的概率，即給定一個樣本，計算該樣本屬于一個特定的類的概率。 樸素貝葉斯分類：假設每個屬性之間都是相互獨立的，并且每個屬性對非類問題產生的影響都是一樣的。,后向傳播分類,后向傳播是一種神經網絡學習算法；神經網絡是一組連接的輸入/輸出單元，每個連接都與一個權相連。在學習階段，通過調整神經網絡的權，使得能夠預測輸入樣本的正確標

15、號來學習。 優(yōu)點 預測精度總的來說較高 健壯性好，訓練樣本中包含錯誤時也可正常工作 輸出可能是離散值、連續(xù)值或者是離散或量化屬性的向量值 對目標進行分類較快 缺點 訓練（學習）時間長 蘊涵在學習的權中的符號含義很難理解 很難根專業(yè)領域知識相整合,SVM支持向量機,使用一種非線性的映射，將原訓練數(shù)據映射到較高的維 一個數(shù)據被認為是p維向量，數(shù)據在這個p維向量空間中被分為兩類；SVM的目的是找到一個p-1維的超平面，來劃分p維向量空間的數(shù)據 在新的維上，它搜索線性最佳分離超平面 (即將一類的元組與其他類分離的“決策邊界”)。 使用一個適當?shù)膶ψ銐蚋呔S的非線性映射，兩類的數(shù)據總可以被超平面分開。 S

16、VM 使用支持向量（“基本”訓練元組）和邊緣（由支持向量定義）發(fā)現(xiàn)該超平面。,SVM-特點和應用,特點: 訓練時間非常長，但對復雜的非線性決策邊界的建模能力是高度準確的（使用最大邊緣） 可以用來預測和分類 應用: 手寫數(shù)字識別，對象識別，語音識別, 以及基準時間序列預測檢驗,SVM一般原理,August 9, 2020,Data Mining: Concepts and Techniques,31,SVM當數(shù)據是線性可分的時候,m,設給定的數(shù)據集 D 為 (X1, y1), , (X|D|, y|D|), 其中Xi是訓練元組，具有相關聯(lián)的類標號yi。 可以畫出無限多條分離直線（或超平面）將類+

17、1的元組與類-1的元組分開，我們想找出“最好的”那一條 (對先前未見到的元組具有最小分類誤差的那一條）。 SVM 要搜索具有最大邊緣的超平面，即最大邊緣超平面 (MMH),其他分類方法,k-最臨近分類 給定一個未知樣本，k-最臨近分類法搜索模式空間，找出最接近未知樣本的k個訓練樣本；然后使用k個最臨近者中最公共的類來預測當前樣本的類標號 基于案例的推理 樣本或案例使用復雜的符號表示，對于新案例，先檢測是否存在同樣的訓練案例；如果找不到，則搜索類似的訓練案例 遺傳算法 結合生物進化思想的算法 粗糙集方法 模糊集方法 允許在分類規(guī)則中定義“模糊的”臨界值或邊界,什么是預測？,預測是構造和使用模型評

18、估無樣本類，或評估給定樣本可能具有的屬性或值空間。 預測和分類的異同 相同點 兩者都需要構建模型 都用模型來估計未知值 預測當中主要的估計方法是回歸分析 線性回歸和多元回歸 非線性回歸 不同點 分類法主要是用來預測類標號（分類屬性值） 預測法主要是用來估計連續(xù)值（量化屬性值）,線性回歸、多元回歸和非線性回歸,線性回歸：Y = + X 其中和是回歸系數(shù)，可以根據給定的數(shù)據點，通過最小二乘法來求得 多元回歸：Y = + 1X1 + 2 X2 線性回歸的擴展，設計多個預測變量，可以用最小二乘法求得上式中的，1 和2 非線性回歸：Y = + 1X1 + 2 X22+ 3 X33 對不呈線性依賴的數(shù)據建模 使用多項式回歸建模方法，然后進行變量變換，將非線性模型轉換為線性模型，然后用最小二乘法求解,評估分類法的準確性,導出分類法后，再使用訓練數(shù)據評估分類法，可能錯誤的導致樂觀的估計 保持方法 給定數(shù)據隨機劃分為兩個集合：訓練集(2/3)和測試集(1/3) 訓練集導出分類法，測試集對其準確性進行評估 隨機子選樣：保持方法的一個變形，將保持方法重復k次，然后取準確率的平均值 k-折交叉確