数学建模 数据挖掘 数学建模挖掘模型

在数据挖掘中，根据数据分析者的目标，可以将数据挖掘任务分为：

• 模式挖掘

1. 频繁模式
2. 异常模式
3. ...

• 模型挖掘

4. 预测建模
5. 描述建模
6. ...

本文将介绍的分类即属于预测建模的过程。预测建模是指根据数据线建立一个模型，然后应用这个模型来对未来的数据进行预测。根据被预测的变量的不同，可以区分为分类和回归。

• 分类

1. 构造、使用模型来对某个样本的类别进行判别
2. 主要用于对离散的数据进行预测
3. 典型应用：信誉评估、医学诊断

• 回归（预测）

4. 构造、使用模型来对某个样本的类别进行判别
5. 主要用于对离散的数据进行预测
6. 典型应用：性能预测

分类简单分为建立模型阶段和使用模型阶段。

第一步，建立模型

用来构建模型的数据集被称为训练集

 

模型一般表示为：分类规则，决策树或者数学公式

第二步，使用模型阶段

 

 　　首先要测试模型的准确性

测试集和由模型进行分类的结果进行比较

　　　　两个结果相同所占比率称为准确率

　　　　测试集和训练集必须不相关

新数据进行分类

数据预处理

 

 分类方法评价

常用的分类方法

• 决策树分类
• 贝叶斯分类
• 支持向量机
• 神经网络
• K近邻分类