目录

5.1.1 实现步骤

5.1.2 常用分类预测算法：

5.1.3 回归分析

1. logistic回归分析介绍：

2. 决策树：

3. 人工神经网络ANN

4. 分类预测算法评价 测试集效果评价指标：：

总结：

5.挖掘建模

5.1 分类与预测

5.1.1 实现步骤

分类：

输入样本的属性值，输出对应的类别，将每个样本映射到预先定义好的类别

预测：

建立两种或以上的变量间互相依赖的函数模型，然后进行预测或者控制

实现:

  1. 学习步: 归纳训练集，建立分类模型，得到分类规则
  2. 分类步: 测试集评估分类准确率，可接受的话，使用该模型对未知样本进行预测
  3. 预测步: 模型通过检验后进行预测或者控制

5.1.2 常用分类预测算法：

 

5.1.3 回归分析

包含：

 

1. logistic回归分析介绍：

2. 决策树：

 

 

 

3. 人工神经网络ANN

 

4. 分类预测算法评价 测试集效果评价指标：：

 

算法

描述

回归分析

确定属性与其他变量之间相互依赖关系的最常用统计模型，包括：线性回归，非线性回归，logistic回归，ridge回归，lasso回归，主成分回归，偏最小二乘回归

决策树

自顶向下的递归方式，在内部节点进行属性值比较，根据不同的属性值从该节点向下分支，得到最终也节点的学习划分的类

人工神经网络

模仿大脑圣经网络结构和功能而建立的信息处理系统，表示神经网络的输入输出之间的关系模型

贝叶斯网络

信度网络，bayes方法的扩展，目前不确定知识表达和推理领域的最有效模型之一

支持向量机

通过某种非线性映射，把低维度的非线性转换为高维的线性可分问题，在高位空间进行线性分析的方法