数据挖掘算法初窥门庭--分类/回归

本贴最后更新于 3171 天前,其中的信息可能已经水流花落

数据挖掘算法中分类和算法经常放在一起,如 weka 中 Classify 包括了分类和回归。这两种方法都是通过对已知类别训练集的分析,从中发现规律,以此预测新数据的类别。简单来说,若是预测的类别为离散值则成为分类,若为连续值则成为回归。
分类/回归属于有监督学习,分为训练和预测两个过程(当然一般还会有模型的检验)。

  • 训练:训练集-> 特征选取-> 训练-> 分类器模型
  • 预测:新样本-> 特征选取-> 分类-> 判决

#决策树
决策树归纳是经典的分类算法。
决策树是将特征的判别序列形成一颗树,从树根到叶子节点进行每个节点的判断,叶子节点处对应某个类别标号,就是最终的分类结果。
采用自顶向下递归的各个击破方式构造决策树。树的每一个结点上使用信息增益度量选择测试属性。可以从生成的决策树中提取规则。
主要的决策树算法有:ID3,C4.5,CHAID,CART,Quest 和 C5.0

  • 优点:
    • 模型易于理解和解释
    • 数据预处理阶段比较简单,可以处理缺失数据
    • 能够同时处理数值型和分类型数据
    • 能在相对短时间内对大数据集做出可行且效果良好的分类结果
  • 缺点:
    • 对于那些各类别样本数量不一致的数据,在决策树当中,信息增益的结果偏向于那些具有更多数值的特征。
    • 对噪声数据较为敏感
    • 容易出现过拟合问题
    • 忽略了数据集中属性之间的相关性

#KNN 算法
KNN 算法即 K-最临近算法,是一种最简单实用的算法。
该方法的思路非常简单直观:如果一个样本在特征空间中的 k 个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。

  • 优点:
    • 简单有效,容易理解和实现
    • 重新训练的代价低
    • 计算时间和空间线性于训练集的规模
    • 适合处理多模分类和多标签分类问题
    • 对于类域的交叉或重叠较多的待分类样本集较为适合
  • 缺点:
    • 是 lazy 学习方法,比一些积极学习的算法要慢
    • 对样本不平衡的数据集效果不佳,可以采用加权投票法改进
    • k 值对分类效果影响很大,若 K 值太小会对噪声很敏感
    • 样本容量较小的类域采用这种算法比较容易产生误分

#SVM 算法
支持向量机,可以自动寻找出那些对分类有较好区分能力的支持向量,并寻找一个超平面,最大化类和类的间隔。

  • 优点:
    • 对小样本的分类有较好的结果
    • 可以解决高维问题
    • 可以提高泛化性能
    • 可以解决非线性问题
    • 可以避免神经网络结构选择和局部极小点问题
  • 缺点:
    • 对缺失数据敏感
    • 对非线性问题没有通用解决方案,必须谨慎选择核函数来处理

#贝叶斯分类
贝叶斯分类是利用贝叶斯公式,通过计算每个特征下分类的条件概率,来计算某个特征组合实例的分类概率,选取最大概率的分类作为分类结果。
参见的贝叶斯分类器有:Naive Bayes, TAN, BAN, GBN 等方法。

  • 优点:
    • 基于完善的数学模型,分类效果稳定
    • 所需估计的参数很少,对缺失数据不太敏感
    • 无需复杂的迭代求解框架,适用于规模巨大的数据集
  • 缺点:
    • 假设前提:属性之间独立性 往往不成立
    • 需要知道先验概率

#神经网络
神经网络是模拟人的神经反射功能,进行模型的自适应学习。通常分为输入层,输出层和中间层,通过反馈对各层的参数进行调整和优化。

  • 优点:
    • 分类准确性高,并行分布处理能力强
    • 对噪声有较强的鲁棒性和容错能力
    • 可以充分逼近非线性关系
    • 具备联想记忆能力
  • 缺点:
    • 需要输入大量参数
    • 不能观察学习过程,输出结果难以解释
    • 学习时间长

#AdaBoost 算法
提升方法是从弱学习算法出发,反复学习,得到一系列的弱分类器(即基本分类器),然后组合这些弱分类器,构成一个强分类器,大多数的提升方法都是改变训练数据集的概率分布(训练数据的权值分布),针对不同的训练数据分布调用弱学习算法学习一系列的弱分类器。

  • 优点:
    • 分类精度高
    • 可以使用各种方法构建子分类器
    • 简单,且不需要做特征筛选
    • 不会过拟合
  • 缺点:
    • 对分类错误的样本多次被分错而多次加权后,导致权重过大,影响分类器的选择,造成退化问题
    • 数据不平衡问题导致分类精度的急剧下降
    • 算法训练耗时,拓展困难

#逻辑回归算法
二项 logistic 回归模型是一种分类模型,由条件概率分布 P(Y|X)表示,形式为参数化的 logistic 分布。这里随机变量 X 取值为实数,随机变量 Y 取值为 1 或 0。可以通过有监督的方法来估计模型参数。

  • 优点:
    • 计算代价不高
    • 易于理解和实现
    • 适用于数值型和分类型数据
  • 缺点:
    • 容易过拟合
    • 分类精度可能不高

相关帖子

欢迎来到这里!

我们正在构建一个小众社区,大家在这里相互信任,以平等 • 自由 • 奔放的价值观进行分享交流。最终,希望大家能够找到与自己志同道合的伙伴,共同成长。

注册 关于
请输入回帖内容 ...

推荐标签 标签

  • 倾城之链
    23 引用 • 66 回帖 • 137 关注
  • Postman

    Postman 是一款简单好用的 HTTP API 调试工具。

    4 引用 • 3 回帖 • 3 关注
  • 又拍云

    又拍云是国内领先的 CDN 服务提供商,国家工信部认证通过的“可信云”,乌云众测平台认证的“安全云”,为移动时代的创业者提供新一代的 CDN 加速服务。

    21 引用 • 37 回帖 • 545 关注
  • Git

    Git 是 Linux Torvalds 为了帮助管理 Linux 内核开发而开发的一个开放源码的版本控制软件。

    209 引用 • 358 回帖
  • Facebook

    Facebook 是一个联系朋友的社交工具。大家可以通过它和朋友、同事、同学以及周围的人保持互动交流,分享无限上传的图片,发布链接和视频,更可以增进对朋友的了解。

    4 引用 • 15 回帖 • 453 关注
  • API

    应用程序编程接口(Application Programming Interface)是一些预先定义的函数,目的是提供应用程序与开发人员基于某软件或硬件得以访问一组例程的能力,而又无需访问源码,或理解内部工作机制的细节。

    77 引用 • 430 回帖 • 2 关注
  • 单点登录

    单点登录(Single Sign On)是目前比较流行的企业业务整合的解决方案之一。SSO 的定义是在多个应用系统中,用户只需要登录一次就可以访问所有相互信任的应用系统。

    9 引用 • 25 回帖
  • WiFiDog

    WiFiDog 是一套开源的无线热点认证管理工具,主要功能包括:位置相关的内容递送;用户认证和授权;集中式网络监控。

    1 引用 • 7 回帖 • 587 关注
  • OAuth

    OAuth 协议为用户资源的授权提供了一个安全的、开放而又简易的标准。与以往的授权方式不同之处是 oAuth 的授权不会使第三方触及到用户的帐号信息(如用户名与密码),即第三方无需使用用户的用户名与密码就可以申请获得该用户资源的授权,因此 oAuth 是安全的。oAuth 是 Open Authorization 的简写。

    36 引用 • 103 回帖 • 9 关注
  • V2Ray
    1 引用 • 15 回帖 • 1 关注
  • golang

    Go 语言是 Google 推出的一种全新的编程语言,可以在不损失应用程序性能的情况下降低代码的复杂性。谷歌首席软件工程师罗布派克(Rob Pike)说:我们之所以开发 Go,是因为过去 10 多年间软件开发的难度令人沮丧。Go 是谷歌 2009 发布的第二款编程语言。

    497 引用 • 1387 回帖 • 283 关注
  • 旅游

    希望你我能在旅途中找到人生的下一站。

    90 引用 • 899 回帖
  • 周末

    星期六到星期天晚,实行五天工作制后,指每周的最后两天。再过几年可能就是三天了。

    14 引用 • 297 回帖
  • 心情

    心是产生任何想法的源泉,心本体会陷入到对自己本体不能理解的状态中,因为心能产生任何想法,不能分出对错,不能分出自己。

    59 引用 • 369 回帖
  • 房星科技

    房星网,我们不和没有钱的程序员谈理想,我们要让程序员又有理想又有钱。我们有雄厚的房地产行业线下资源,遍布昆明全城的 100 家门店、四千地产经纪人是我们坚实的后盾。

    6 引用 • 141 回帖 • 585 关注
  • 链书

    链书(Chainbook)是 B3log 开源社区提供的区块链纸质书交易平台,通过 B3T 实现共享激励与价值链。可将你的闲置书籍上架到链书,我们共同构建这个全新的交易平台,让闲置书籍继续发挥它的价值。

    链书社

    链书目前已经下线,也许以后还有计划重制上线。

    14 引用 • 257 回帖
  • V2EX

    V2EX 是创意工作者们的社区。这里目前汇聚了超过 400,000 名主要来自互联网行业、游戏行业和媒体行业的创意工作者。V2EX 希望能够成为创意工作者们的生活和事业的一部分。

    17 引用 • 236 回帖 • 325 关注
  • SSL

    SSL(Secure Sockets Layer 安全套接层),及其继任者传输层安全(Transport Layer Security,TLS)是为网络通信提供安全及数据完整性的一种安全协议。TLS 与 SSL 在传输层对网络连接进行加密。

    70 引用 • 193 回帖 • 432 关注
  • C

    C 语言是一门通用计算机编程语言,应用广泛。C 语言的设计目标是提供一种能以简易的方式编译、处理低级存储器、产生少量的机器码以及不需要任何运行环境支持便能运行的编程语言。

    85 引用 • 165 回帖 • 1 关注
  • Latke

    Latke 是一款以 JSON 为主的 Java Web 框架。

    71 引用 • 535 回帖 • 786 关注
  • Kafka

    Kafka 是一种高吞吐量的分布式发布订阅消息系统,它可以处理消费者规模的网站中的所有动作流数据。 这种动作(网页浏览,搜索和其他用户的行动)是现代系统中许多功能的基础。 这些数据通常是由于吞吐量的要求而通过处理日志和日志聚合来解决。

    36 引用 • 35 回帖
  • CloudFoundry

    Cloud Foundry 是 VMware 推出的业界第一个开源 PaaS 云平台,它支持多种框架、语言、运行时环境、云平台及应用服务,使开发人员能够在几秒钟内进行应用程序的部署和扩展,无需担心任何基础架构的问题。

    5 引用 • 18 回帖 • 167 关注
  • ngrok

    ngrok 是一个反向代理,通过在公共的端点和本地运行的 Web 服务器之间建立一个安全的通道。

    7 引用 • 63 回帖 • 624 关注
  • 创业

    你比 99% 的人都优秀么?

    84 引用 • 1399 回帖 • 1 关注
  • Java

    Java 是一种可以撰写跨平台应用软件的面向对象的程序设计语言,是由 Sun Microsystems 公司于 1995 年 5 月推出的。Java 技术具有卓越的通用性、高效性、平台移植性和安全性。

    3187 引用 • 8213 回帖
  • Lute

    Lute 是一款结构化的 Markdown 引擎,支持 Go 和 JavaScript。

    25 引用 • 191 回帖 • 16 关注
  • TextBundle

    TextBundle 文件格式旨在应用程序之间交换 Markdown 或 Fountain 之类的纯文本文件时,提供更无缝的用户体验。

    1 引用 • 2 回帖 • 47 关注