数据挖掘

数据挖掘

• 分类与聚类 定义及区别
• 分类方法
• 聚类方法

分类与聚类 定义及区别

• 分类：是一种有指导（有监督）的学习（Supervised Learning），即每个训练样本的数据对象已经有类标识，通过学习可以形成表达数据对象与类标识间对应的知识。即根据样本数据形成的类知识对源数据进行分类，进而预测未来数据的归类…2分
• 聚类：属于无指导学习，聚类是把一组个体按照相似性归成若干类别，它的目的是使得属于同一类别的个体之间的差别尽可能的小，而不同类别上的个体间的差别尽可能的大。2分
• 综上所述，聚类是通过对数据的分析比较形成新的类标识，分类是在特定的类标识下寻求新元素属于哪个类。………………………………1分

分类方法

分类的基本概念与步骤

1.数据分类分为两个步骤 --建模和使用
建立模型，描述预定的数据类集或概念集
使用模型进行分类

基于距离的分类算法

距离越近，相似性越大，距离越远，相似性越小

1. 基本思想：通过计算每个元祖得到各类的中心距离就可以找出相应的类，从而实现简单的分类技术。
2. K-最临近分类算法
   使用下表给出的样本数据，采用KNN算法对元组<范大可，男，1.8>进行分类，只用高度参与距离计算，K=3。
   2.1 基本思想：计算每个训练数据到待分类元组的距离，取和待分类元祖距离最近的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类

决策树分类方法

贝叶斯算法

1. 朴素贝叶斯法概述
   朴素贝叶斯法是基于贝叶斯定理与特征条件独立性假设的分类方法。对于给定的训练集，首先基于特征条件独立假设学习输入输出的联合概率分布（朴素贝叶斯法这种通过学习得到模型的机制，显然属于生成模型）；然后基于此模型，对给定的输入 x，利用贝叶斯定理求出后验概率最大的输出 y。

学习朴素贝叶斯算法之前，我们先搞定下面这些基本概念和数学公式 👇
条件概率公式：

P(Y∣X)= P(X∣Y)P(Y) / P(X)

这里的每个概率都有其特定的名称：
P ( Y ) ：先验概率。先验概率（prior probability）是指事情还没有发生，求这件事情发生的可能性的大小，是先验概率。它往往作为"由因求果"问题中的"因"出现。

P ( Y ∣ X )：后验概率。后验概率是指事情已经发生，求这件事情发生的原因是由某个因素引起的可能性的大小。后验概率的计算要以先验概率为基础

P ( X ∣ Y ) ：条件概率，又叫似然概率，一般是通过历史数据统计得到。一般不把它叫做先验概率，但从定义上也符合先验定义。

2. 案例：给定如下所示的训练数据，请使用朴素贝叶斯算法对待分类样本X=（高度=“矮”，头发=“红”，眼睛=“兰”）进行分类，判断其属于类别“+”还是“-”。（要求先写出详细公式，然后再将数值带入计算）（15分）

解 设类别为C，则P（C/X）=P(X/C)P©………………2分
记类别“+”为C1，类别“-”为C2,则根据训练数据集，
得出P(C1)=3/8, P(C2)=5/8………………4分
P(C1/X)=P(X/C1)*P(C1)=P(高度=“矮”/C1)*P(头发=“红”/C1)*P(眼睛=“兰”/C1)P（C1）=(1/3)(1/3)1(3/8)=1/24………………4分
P(C2/X)=P(X/C2)*P(C2)=P(高度=“矮”/C2)*P(头发=“红”/C2)P(眼睛=“兰”/C2)P（C2）=(2/5)(1/5)(2/5)(5/8)=1/50……………………4分
1/24>1/50，所以样本X属于类别“+”……………………1分

聚类方法

划分聚类的方法

k-平均算法

1. 基本思想：算法首先先随机选择k个对象，每个对象初始地代表了一个簇的平均值或中心，对剩余的每个对象根据其与各个簇的中心距离，将它赋给最近的簇，然后重新计算每个簇的平均值

2. 案例：给出下表所示的事务数据库，用k-means算法进行聚类(写出具体过程，用欧氏距离公式)，其中K=3，初始簇中心为1，4，7。(20分)