数据挖掘科普 古宜民 7/15 Based on (copied from): Data Mining Introductory And Advanced Topics
概述 问题： 过拟合 异常点 结果的解释、可视化 缺失数据 噪声数据 动态数据 （很多） 通常定义为从数据库中发现隐藏的信息 与传统数据库访问不同 基本数据挖掘任务： 分类 回归 预测 聚类 汇总 关联规则 序列发现 ... 问题： 过拟合 异常点 结果的解释、可视化 缺失数据 噪声数据 动态数据 （很多）
技术 点估计：偏差、平方误差等估计误差，对参数估计 基于汇总的模型：将数据作为一个整体描述、图形化方法 贝叶斯定理：可用于分类 假设检验：使用卡方统计量 回归和相关：曲线拟合->预测/两个变量相关程度 相似性度量：sim(t_i, t_j) in [0, 1]，距离度量
技术 决策树：搜索空间分为若干子集 根和内部节点被标记一个问题，叶子节点代表一个预测 神经网络：有向图和算法， 输入节点、输出节点、内部节点、 一个节点：k个输入弧，权值w_1-w_k，一个输出值传播到所有输 出弧上 激励函数：输出值+权值->输出 遗传算法：优化，模拟染色体杂交、变异、选择
分类 定义：给定数据库D，类集合C，分类问题指定义映射f:D->C，其 中每个元组t_i分到一个类中，类C_j = {t_i | f(t_i) = C_j, 1<=i<=n} 通常步骤： 1.对训练集计算得模型（训练数据为输入，模型为输出），模型尽 量精确地将训练数据分类 2.将1中产生的模型应用与目标数据库进行分类 基本方法： 指定边界 利用概率
分类 问题 缺失数据 性能度量 TP, FP, TN, FN confusion matrix
分类 基于统计的算法 回归 贝叶斯分类 分割 预测 属性独立、作用相等 元组t_i，值x_i，测试集-> P(x_i), P(x_i | C_j), P(C_j), ->后验概率P(C_j | x_i)
分类 基于距离的算法 简单方法 K Nearest Neighbors
分类 基于决策树的算法 构建树/应用与数据库 搜索空间分割成矩形区域 树的规模独立于数据库的规模 朴素算法
分类 问题： 分裂属性 分裂属性的次序 分裂数目 树的结构（二叉？） 停止 剪枝
分类 ID3 最小化比较的期望数 最高信息增益 信息熵 C4.5和C5.0 改进的ID3 缺失数据 连续数据 剪枝 分裂
分类 CART 二叉树 确定最佳分裂点
分类 基于神经网络的算法 数据处理：传播 有指导学习 计算误差 权值调整 调整权值：反向传播，最小化误差 例：感知器
分类 基于规则的算法 从决策树生成 从神经网络生成 简单方法：1R
聚类 与分类相似，对数据分组 但组不是预先定义的，而是按数据间相似性定义的，组也称簇 困难 可视为无指导学习
聚类 相似性和距离度量 质心 半径、直径 簇间距离计算 异常点
聚类 层次算法 谱系图 凝聚算法：阀值合并 单连接、最小生成树 全连接 平均连接 分裂聚类：簇分裂 如单连接MST
聚类 划分算法：输入期待的簇数目，一步产生所有的簇 最小生成树：移除k-1条边 平方误差聚类 K-means 最邻近：阀值判断
END