本文的筆記來(lái)源于<<Web 數(shù)據(jù)挖掘>> Bing Liu著

監(jiān)督學(xué)習(xí)：分類（Classification）或歸納學(xué)習(xí)（Inductive Learning）

1. 基本概念

屬性值（Attribute-Values）： A = ｛A1， A2， ...， An｝來(lái)描述

類標(biāo)（Class Label）：C = ｛c1，c2，...， cn｝

一個(gè)用于學(xué)習(xí)的數(shù)據(jù)集就是一張關(guān)系表，表里的每條記錄描述了一條“以往經(jīng)驗(yàn)”

一條數(shù)據(jù)記錄即一個(gè)case

給出一個(gè)DataSet，機(jī)器學(xué)習(xí)的目標(biāo) 即產(chǎn)生一個(gè)聯(lián)系屬性值集合A和類標(biāo)集合C的分類/預(yù)測(cè)函數(shù)（Classification/Predication Function），該函數(shù)可用于預(yù)測(cè)新的屬性集合（數(shù)據(jù)實(shí)例）的類標(biāo)。

該函數(shù)也被稱為分類模型（Classification Model）、預(yù)測(cè)模型（Predictive Model）或簡(jiǎn)稱淡分類器（Classifier）.

監(jiān)督學(xué)習(xí)（Supervised Learning）：所有數(shù)據(jù)已經(jīng)給出了類標(biāo)?

無(wú)監(jiān)督學(xué)習(xí)（Unsupervised Learning）：所有的類屬性都是未知的

訓(xùn)練數(shù)據(jù)集（Training Data）：算法用于進(jìn)行學(xué)習(xí)的數(shù)據(jù)集叫做訓(xùn)練數(shù)據(jù)集

測(cè)試數(shù)據(jù)集（Test Data）：當(dāng)學(xué)習(xí)算法（Learning Algorithm）用訓(xùn)練數(shù)據(jù)學(xué)習(xí)得到一個(gè)模型后，使用測(cè)試數(shù)據(jù)集來(lái)評(píng)測(cè)該模型的精準(zhǔn)度。

分類精準(zhǔn)度 = 正確分類的測(cè)試用例個(gè)數(shù)/測(cè)試用的總數(shù)

訓(xùn)練過(guò)程（Training Step） -> 訓(xùn)練階段（Training Phase）

測(cè)試過(guò)程（Testing Step）-> 測(cè)試階段（Testing Phase）

2. 決策樹推理

得到的分類模型表示是一棵樹的形式，稱之為決策樹（Decision Tree）

決策節(jié)點(diǎn)（Decision Nodes中間節(jié)點(diǎn)）

葉子節(jié)點(diǎn)（Leaf Nodes）

純的子集（Pure Subset）：數(shù)據(jù)實(shí)例類標(biāo)全部一致

（1）學(xué)習(xí)算法

分治（Divide-and-Conquer）策略：遞歸的對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行分隔，從而構(gòu)造決策樹。

最開始的時(shí)候，所有的數(shù)據(jù)樣例都在根部，隨著決策樹的增長(zhǎng)，樣例被不斷的遞歸的分隔。

遞歸的終止條件（Stopping Criteria）：當(dāng)所有的當(dāng)前節(jié)點(diǎn)中的數(shù)據(jù)都屬于同一類時(shí)，迭代終止。

在學(xué)習(xí)算法中，每一個(gè)后續(xù)的遞歸都選擇最佳分類屬性（Best Attribute）作為分隔當(dāng)前數(shù)據(jù)實(shí)例集的屬性。

最佳分類屬性的選擇是通過(guò)一個(gè)混雜度函數(shù)（Impurity Function）來(lái)實(shí)現(xiàn)的：這個(gè)函數(shù)反映了用該屬性進(jìn)行

數(shù)據(jù)分隔后的數(shù)據(jù)集的混雜度。

（2）混雜度函數(shù)

信息增益（Information Gain）：

信息增益率（Information Gain Ratio）：

（3）處理連續(xù)屬性

為將決策樹構(gòu)建算法應(yīng)用于連續(xù)屬性，在一個(gè)樹節(jié)點(diǎn)中可以將屬性Ai的值劃分成幾人上區(qū)間，每個(gè)區(qū)間可被視為一個(gè)離散值。

C4.5中采用了二元分割（Binary Split），可使用一個(gè)合適的分割閾值（Threshold）

（4）其他問(wèn)題

剪枝和過(guò)度擬合（Tree Pruning and Overfitting）

過(guò)度擬合：一個(gè)決策樹算法遞歸地劃分?jǐn)?shù)據(jù)，直到不純凈度為0或沒(méi)有其他屬性。這個(gè)過(guò)程可能得到深度很大的樹，其中很多葉子節(jié)點(diǎn)只覆蓋很少數(shù)目的訓(xùn)練實(shí)例。若用這樣的一棵樹去預(yù)測(cè)訓(xùn)練集，其精度將非常高；但當(dāng)它用來(lái)對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類時(shí)，其精度可能會(huì)非常低。這樣的學(xué)習(xí)結(jié)果是意義不大的，也即決策樹不能很好地泛化到所有數(shù)據(jù)上。這種現(xiàn)象即為過(guò)度擬合（Overfitting）。

為減少過(guò)度擬合，可對(duì)樹進(jìn)行剪枝，即刪除一些子樹或分支，用多個(gè)類的葉節(jié)點(diǎn)代替這些分支。一個(gè)是提早結(jié)束（Stopping Early）樹構(gòu)建過(guò)程（稱為預(yù)剪枝，Pre-pruning）；另是在樹構(gòu)建完畢之后再剪枝（稱為后剪枝，Post-pruning）。一般認(rèn)為后剪枝比較有效，預(yù)剪枝會(huì)有危險(xiǎn)，因不知道在算法停止前，當(dāng)樹進(jìn)一步擴(kuò)展后會(huì)發(fā)生什么。

驗(yàn)證集合（Validation Set）：使用另一個(gè)在訓(xùn)練和測(cè)試過(guò)程中都未被使用的獨(dú)立數(shù)據(jù)集來(lái)進(jìn)行，這個(gè)獨(dú)立數(shù)據(jù)集通常稱為驗(yàn)證集合。在生成了一個(gè)決策樹后，首先使用它來(lái)對(duì)驗(yàn)證集合上的數(shù)據(jù)進(jìn)行分類。

規(guī)則剪枝（Rule Pruning）：一棵決策樹可以被轉(zhuǎn)換成一組規(guī)則的結(jié)合，

泛化（Generalization）：因剪枝命名得規(guī)則變得 更加一般（具有較少條件限制），即泛化。

特殊（Specific）：具有較多條件限制的規(guī)則被稱為比具有較少條件限制的規(guī)則要特殊。

經(jīng)剪枝后所得到的規(guī)則集合可能不再是互不相交且完全覆蓋（Mutually Exclusive and Exhaustive）。

在處理那些不滿足任何一個(gè)規(guī)則條件的測(cè)試數(shù)據(jù)時(shí)，可將它分類為一個(gè)默認(rèn)類別（Default Class），通常是數(shù)據(jù)點(diǎn)最多的類。

處理缺失屬性值（Handling Missing Attribute Values）：eg：屬性缺失時(shí)，離散屬性可采用使用屬性中出現(xiàn)最為頻繁的屬性值；連續(xù)值屬性，可使用屬性的平均值來(lái)填充缺失值。

處理偏斜類別分布（Handling Skewed Class Distribution）：eg：對(duì)數(shù)據(jù)進(jìn)行排序，采用排名靠前的情況。

3.評(píng)估分類器

分類精度（Accuracy）：即用在測(cè)試集中被正確分類的數(shù)據(jù)數(shù)量除以測(cè)試集中的數(shù)據(jù)數(shù)量得到。

錯(cuò)誤率（Error Rate）：即1-accuracy

（1）評(píng)估方法

Holdout集合：測(cè)試集也被稱為holdout集。一般情況下采用50-50或三分之二用于訓(xùn)練，三分之一用于測(cè)試。

將D劃分成訓(xùn)練集和測(cè)試集：

從D 中隨機(jī)采樣一組數(shù)據(jù)作為學(xué)習(xí)所用，其余部分用于測(cè)試；若數(shù)據(jù)采集是不斷累積的，可使用采集時(shí)間較早的數(shù)據(jù)來(lái)進(jìn)行訓(xùn)練/學(xué)習(xí)，用時(shí)間靠后的數(shù)據(jù)進(jìn)行訓(xùn)練。

多次隨機(jī)采樣：當(dāng)可用數(shù)據(jù)集比較小時(shí)，測(cè)試數(shù)據(jù)集可能會(huì)太小而不具有代表性，解決這一問(wèn)題的方法是進(jìn)行n次隨機(jī)采樣過(guò)程，每次都產(chǎn)生一個(gè)不同的訓(xùn)練集合和一個(gè)不同的測(cè)試集合，同時(shí)產(chǎn)生n個(gè)測(cè)試精度。在數(shù)據(jù)上最終的估計(jì)精度值這n個(gè)測(cè)試精度的平均值。

交叉驗(yàn)證（cross-Validation）：當(dāng)數(shù)據(jù)集合較小時(shí)，n重交叉驗(yàn)證（n-fold Cross-Validation）是經(jīng)常被采用的方法。該方法中，可用數(shù)據(jù)集被分成n個(gè)不相交的等大數(shù)據(jù)子集。然后每個(gè)子集被當(dāng)作測(cè)試集，其余的n-1個(gè)子集合起來(lái)當(dāng)作是訓(xùn)練集用來(lái)學(xué)習(xí)得到分類器。

缺一交叉驗(yàn)證（Leave-One-Out Cross-Validation）：在每次交叉驗(yàn)證中只有一個(gè)測(cè)試數(shù)據(jù)，其余的數(shù)據(jù)被用于訓(xùn)練。即若初始數(shù)據(jù)共有m個(gè)數(shù)據(jù)點(diǎn)，則這種方法就是一個(gè)m重交叉驗(yàn)證。該方法可用于數(shù)據(jù)很小的情況下，而對(duì)于大數(shù)據(jù)集來(lái)說(shuō)這這種驗(yàn)證驗(yàn)證過(guò)程中建立m個(gè)分類器往往是很低效的。

（2）查準(zhǔn)率、查全率、F-score 和平衡點(diǎn)（Breakeven Point）

正例類別（Postive Class）：那些用戶感興趣的類別

負(fù)例類別（Negative Class）：除正例類別外的

?	分類為正例	分類為負(fù)例
實(shí)際為正例	TP	FN
實(shí)際為負(fù)例	FP	TN

查準(zhǔn)率（p）：正確分類的正例數(shù)量 / 被分類的正例數(shù)量 ? p = TP / (TP+ FP)

查全率（r）：被正確分類的正例 / 測(cè)試數(shù)據(jù)集中實(shí)際正例數(shù)量 ?r = TP / (TP+FN)

F-score：查準(zhǔn)率和查全率的調(diào)和平均值。 F = 2*p*r / (1/p + 1/r)

平衡點(diǎn)：查準(zhǔn)率和查全率的平衡點(diǎn)，即兩者相等的地方。r = p

4. 規(guī)則推理

（1）序列化覆蓋

有序化的規(guī)則（Ordered Rules）

有序化的類（Ordered Classes）

（2）規(guī)則學(xué)習(xí)：Learn-One-Rule函數(shù)

5. 基于關(guān)聯(lián)規(guī)則的分類

（1）使用類關(guān)聯(lián)規(guī)則進(jìn)行分類

類關(guān)聯(lián)規(guī)則（CAR）：

CBA（Classification Based on Association）

（2）類關(guān)聯(lián)規(guī)則挖掘

規(guī)則剪枝：

多個(gè)不同的最低支持度：

?稀有類：一個(gè)單獨(dú)的最小支持度是不夠的，因DataSet的分布可能是非常不均勻的，可能一個(gè)類占據(jù)了數(shù)據(jù)的大多數(shù)，而另一個(gè)類在數(shù)據(jù)集中只有很小的比例，可賦予不同的最低支持minsup，使用一個(gè)全局的最低支持度t_minsup，可得到各個(gè)類的最低支持度。

6. 樸素貝葉斯 分類

條件獨(dú)立：

數(shù)值屬性： 離散的，連續(xù)數(shù)據(jù)需經(jīng)離散化處理

估計(jì)產(chǎn)生的零概率：

丟失的數(shù)據(jù)：丟失的數(shù)據(jù)可被忽略，無(wú)論是在訓(xùn)練時(shí)估計(jì)概率還是分類時(shí)計(jì)鼻概率。

7. 樸素貝葉斯文本分類

（1）概率框架

生成模型主要基于兩個(gè)假設(shè)：

數(shù)據(jù)（文檔）由一個(gè)混合模型生成；混合模型的每一個(gè)成分和類別一一對(duì)應(yīng)。

（2）樸素貝葉斯模型

樸素貝葉斯學(xué)習(xí)效率很高，因只需對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行一次掃描即可估計(jì)出所有需要的概率，可作為增量算法使用。

8. 支持向量機(jī)

支持向量機(jī)是一個(gè)線性的學(xué)習(xí)系統(tǒng)，可用于兩類的分類問(wèn)題 輸入向量： 每個(gè)數(shù)據(jù)樣例 超平面：決策邊界（Decision Boundary）或決策面（Decision Surface） 法向量：
線性支持向量機(jī)：數(shù)據(jù)可分的情況： 給定一組線性可分的訓(xùn)練樣本，D = ｛（x1， y1），（x2，y2），......，（xn， yn）｝， 學(xué)習(xí)問(wèn)題即解決最小化問(wèn)題（constrained minimization problem）： 最小化：<w*w>/2 滿足：yi（<w*xi> + b）>= 1
解決問(wèn)題可得到w和b的解，就得到了具有最大邊距2/|w|的超平面<w*x> + b = 0

（1）線性支持向量機(jī)：數(shù)據(jù)不可分的情況

實(shí)際上訓(xùn)練數(shù)據(jù)是有噪聲的，即某些原因存在誤差

采用拉格良朗日乘子

（2）非線性支持向量機(jī)：核方法

之前討論的支持向量機(jī)需要正負(fù)便被 線性分隔，即決策邊界必須是一個(gè)超平面。為解決非純屬分割的數(shù)據(jù)，需將原始的輸入數(shù)據(jù)變換成另一個(gè)空間（通常是一個(gè)更高維的空間），這樣在的空間中可以用線性決策邊界分割正例和負(fù)例，這個(gè)新的空間被稱為特征空間，原始的數(shù)據(jù)空間被稱為輸入空間。

9. k-近鄰學(xué)習(xí)

決策樹、規(guī)則集合（sets of rules）、后驗(yàn)概率及超平面 均屬迫切學(xué)習(xí)（Eager Learning）方法

k近鄰（kNN）是一種惰性學(xué)習(xí)（Lazing Learning）方法

10. 分類器的集成

（1）Bagging

給定一個(gè)有n個(gè)樣例的訓(xùn)練集合D和一個(gè)基本的學(xué)習(xí)算法，bagging（Bootstrap Aggregating）是這樣實(shí)現(xiàn)的：

訓(xùn)練：

生成k個(gè)bootstrap樣本集合S1，S2，...， Sk，每個(gè)樣本集合都由有放回地從D中隨機(jī)抽取得到（drawing at random with replacement）。這樣一個(gè)樣本集合被稱為原始訓(xùn)練樣本D的一個(gè)自展復(fù)制（Bootstrap Replicate）。每個(gè)樣本集合Si平均含有63.2%的原始樣本D，其中一些樣本可能復(fù)制出現(xiàn)。

對(duì)每一個(gè)樣本集合Si都構(gòu)造一個(gè)分類器，將得到的k個(gè)分類器，所有分類器由同樣的基本學(xué)習(xí)算法得到。

測(cè)試：

對(duì)每個(gè)測(cè)試樣例進(jìn)行分類，由k個(gè)分類投票（權(quán)重相同）決定、占多數(shù)的類別將會(huì)被賦予那個(gè)測(cè)試樣例。

（2）Boosting

Boosting指的是一組集成方法，通過(guò)操作訓(xùn)練樣本和生成許多分類器來(lái)提高分類準(zhǔn)確率。

AdaBoost算法：給每個(gè)訓(xùn)練樣本賦予不同的權(quán)重。

總結(jié)

以上是生活随笔為你收集整理的数据挖掘之监督学习篇的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。