《数据挖掘与机器学习》复习
根据复习阶段遇到的题型列出比较可能考的知识点
第1章 绪论
这部分基本概念了解即可
第2章 数据预处理
光滑噪声数据的方法——分箱
分箱的方法：有4种：等深分箱法、等宽分箱法、最小熵法和用户自定义区间法。
数据平滑方法：有3种按平均值平滑、按边界值平滑和按中值平滑。
分箱
- 等深分箱
统一权重，也成等深分箱法，将数据集按记录行数分箱，每箱具有相同的记录数，每箱记录数称为箱子的深度。这是最简单的一种分箱方法。- 等宽分箱
统一区间，也称等宽分箱法，使数据集在整个属性值的区间上平均分布，即每个箱的区间范围是一个常量，称为箱子宽度。
例子、客户收入属性income排序后的值（人民币元）：
800 1000 1200 1500 1500 1800 2000 2300 2500 2800 3000 3500 4000 4500 4800 5000，分箱的结果如下。
- 采用等深分箱
统一权重：设定权重（箱子深度）为4，分箱后
【就是每个箱子都是装4个数值】
箱1：800 1000 1200 1500
箱2：1500 1800 2000 2300
箱3：2500 2800 3000 3500
箱4：4000 4500 4800 5000- 采用等宽分箱
统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后
如果，设定箱子宽度为W。那么（结合本例）
第一个：800--800+W；第二个：2000--2000+W；第三个：3500--3500+W；第四个：4800--4800+W
箱1：800 1000 1200 1500 1500 1800
箱2：2000 2300 2500 2800 3000
箱3：3500 4000 4500
箱4：4800 5000无论是等深还是等宽分箱第一步均是要对给定数据进行排序的
数据平滑
数据平滑方法：按平均值平滑、按边界值平滑和按中值平滑。
例子：
price 的排序后数据(美元): 4, 8, 9, 15, 21, 21, 24, 25, 26, 28, 29, 34
划分为（等深的）箱:
-箱1: 4, 8, 9, 15
-箱2: 21, 21, 24, 25
-箱3: 26, 28, 29, 34用箱平均值平滑:
-箱1: 9, 9, 9, 9
-箱2: 23, 23, 23, 23
-箱3: 29, 29, 29, 29用箱边界值平滑:
-箱1: 4, 4, 4, 15
-箱2: 21, 21, 25, 25
-箱3: 26, 26, 26, 34⑴按平均值平滑 ：对同一箱值中的数据求平均值，用平均值替代该箱子中的所有数据。
⑵按边界值平滑 ：用距离较小的边界值替代箱中每一数据。
⑶按中值平滑 ：取箱子的中值，用来替代箱子中的所有数据。
分箱和数据平滑，尊重知识产权
数据规范化
最小最大规范化（要注意的是规范目标在0~1之间这种特殊情况）
z-score规范化
按小数定标规范
第3章 关联规则挖掘（感觉必考）
Apriori算法的流程
求出频繁项集后关联规则的求取（这点感觉不难，但不知道原理的时候可能无从下手）
上图圈出的部分是重点，告诉了我们已知频繁项集的前提下求关联规则的两个步骤：1. 求出指定频繁项集的真子集；2. 对不同真子集之间求符合指定最小置信度的关联规则，切忌关联规则的前置项和后置项不能有交集。
举个小例子说明一下
比如最后求出的频繁项集中有一个频繁项集{T, M, P}。求这个频繁项集中是否有强关联规则。
解法：
- 求出频繁项集的真子集
- 求不同真子集间的关联（切忌前置项和后置项不能有交集）
T => M（或T => P, T => MP）（这几个时合法的关联规则，再根据最小置信度判断是否为强关联规则）。
非法的关联：T => TM, T => TP, T => TMP。为啥子不合法？因为它们前后项有交集呀。
其他的合法关联以此类推。
Apriori算法的优缺点
- 优点
- 缺点
实例分析
第4章 决策树分类算法
基本的决策树生成流程（结合实现过程不难理解）
ID3算法
基本思路
生成一个节点需要了解的三个基本关系
根据熵增理论，当熵值越大其不确定越大。
训练样本集的期望信息（熵）
属性划分的期望信息。 3. 信息增益
ID3实例分析
ID3算法的优缺点
- 优点
- 缺点
C4.5 与 ID3算法的区别
C4.5 算法的判断标准——信息增益比
第5章 贝叶斯分类算法
贝叶斯定理和贝叶斯决策准则
朴素贝叶斯分类器
核心公式
朴素贝叶斯分类的工作流程
朴素贝叶斯分类器的实例分析
朴素贝叶斯的特点
第6章 人工神经网络算法
这一章想彻底弄懂要花时间呀，本人就只是了解个大概应付考试罢了😂
人工神经元模型
BP神经网络的原理
优缺点
- 优点
- 缺点
第7章 支持向量机
这一章想彻底弄懂要花时间呀，本人就只是了解个大概应付考试罢了😂
支持向量机原理
核函数
支持向量机的优缺点
- 优点
- 缺点
第8章 K-means聚类算法
K-means聚类算法流程
算法实例
K-means的优缺点
- 优点
- 缺点
K值的确定
第9章 K-中心聚类算法
K-中心聚类算法流程
非中心点替换中心点的代价分析
四种情况的统一规律便是：指点样本点到新中心点的距离 - 指定样本点到旧中心点的距离。
流程（和K-means类似的流程图）
实例分析
K-中心聚类算法优缺点
- 优点
- 缺点
密度聚类DBSCAN
密度峰值聚类
局部密度的定义：就是找和中心点距离在指定距离 dc以内点的个数
距离的定义：对于样本点求和他最近的样本点的距离。对于最大密度的中心点找离他最远的的样本点。因为中心点要在第一象限的右上角的部位，而且越偏右上角约是有可能成为中心点。
第10章 SOM神经网络聚类方法
这一章想彻底弄懂要花时间呀，本人就只是了解个大概应付考试罢了😂
SOM网络的拓扑结构
SOM网络的学习算法
SOM优缺点
向大神看齐
