数据挖掘的特点：
第一，数据挖掘的数据源必须是真实的。而不是为了进行数据分析而专门收集的数据。
第二，数据挖掘所处理的数据必须是海量的。
第三，查询一般是决策制定者（用户）提出的随机查询。
第四，挖掘出来的知识一般是不能预知的，数据挖掘发现的是潜在的、新颖的知识。
Knowledge Discovery from Database的简称是KDD，数据挖掘只是KDD的一个步骤。
KDD的主要步骤如下：
1.数据集成，指的将多种数据源组合在一起；
2.数据清洁，指的消除噪音或不一致的数据；
3.数据选择，指的从数据库中提取与分析认为相关的数据的过程；
4.数据转换，通过汇总，聚集，降低维数等数据转换方法将数据统一成合适的挖掘形式，减少数据量，降低数据的复杂性；
5.数据挖掘，先确定挖掘任务，然后选择合适的工具，进行挖掘知识的操作；
6.模式评估，根据用户提供的指标，对挖掘出来的模式进行评估的过程；
7.知识表示，指的是使用可视化和知识表示技术，向用户提供容易理解的挖掘到的知识。
传统的数据库工具属于操作性工具；数据挖掘属于分析型工具。
对于分类分析有决策树算法，贝叶斯算法，人工神经网络等。
数据挖掘算法都是由5个标准组件构成：模型或模式结构，数据挖掘任务，评分函数，搜索和优化方法，数据管理策略。
模型是对整个数据集的高层次，全局性的描述或总结。
模式是局部的，仅对一小部分数据做出描述。
挖掘任务分为模式挖掘，预测建模，描述建模等。
数据挖掘是从大量数据中发现潜在的知识，不需要用户提出确切的问题。OLAP是联机分析处理，它根据用户提出的问题，深入提取关于该问题的详细信息，并展示给用户。
分类和回归被称为预测建模，目的是建立一个模型，该模型允许人们根据已知的属性值来预测其他某个未知的属性值。当预测的属性是范畴型称为分类，是数量型时称为回归。
决策树分类属于判别模型，用于确定各个类别的决策区域，是一个分层的多叉树结构。
决策树分类分为两步，第一步利用训练集建立一颗决策树，得到一个决策树分类模型；第二步利用生成的决策树对输入数据进行分类。
不考虑任何输入辩论，任一样本需要的信息是：
info(T) = -∑pilog2(pi) 其中i是下标，∑的下标也是从i开始，求和。
如果输入某个变量x,任一样本所属类别需要的信息为：info(X,T)=∑Ti/Tinfo(Ti) 其中Ti表示任一样本所属的类别需要的信息，T是总数量。
计算信息增益为Gain(X,T)=Info(T) - Info(X,T);根据信息增益的大小对输入变量进行排序，优先使用信息增益量大的变量，也就是说熵的值越小，优先度越高。
1.决策树分类第一步：选择属性，作为树根；
2.剪枝阶段；主要分为两类先剪和后剪；
先剪：训练时间开销降低，测试时间开销降低；过拟合风险降低，欠拟合风险增加
• 后剪：训练时间开销增加，测试时间开销降低；过拟合风险降低，欠拟合风险基本不变
后剪 通常优于 先剪。
贝叶斯分类是一种典型的统计学分类方法，用来预测诸如某个样本属于某个分类的概率有多大。
贝叶斯公式P(B|A) = P(A|B) * P(B) / P(A)或P(B|A) = P(AB) / P(A)
用于机器学习。
应用场景如：拼写纠正，垃圾邮件过滤等。
若某个属性值在训练集中没有与某个类同时出现过，则直接计算会出现问题，因为概率连乘将“抹去”其他属性提供的信息。
其中先验概率的公式就是指贝叶斯公式
朴素贝叶斯分类法假定属性值之间是互相独立的。
朴素贝叶斯分类器的使用：
若对预测速度要求高，预计算所有概率估值，使用时“查表”
若数据更替频繁，不进行任何训练，收到预测请求时再估值；
若数据不断增加，基于现有估值，对新样本涉及的概率估值进行修正。
贝叶斯信念网络允许属性间存在依赖关系，用一个有向无环图来表示，每个结点代表一个随机变量（状态），每条弧代表一个概率依赖 （状态间的因果关系），每个状态只与它直接相连的状态有关，与间接相连的状态没有直接联系（但有间接相关性）。
支持向量机分类support vector machine 简称svm优点准确性高，模型描述简单；缺点是训练时间长。
支持向量机分类主要用来解决二元分类问题（数据最多只属于两个不同的类别）。
正平面：wx1 + b = 1;
负平面：wx2 + b = -1;
正平面和负平面的距离为M;
x1 = x2 + aw;
|x1 - x2| = m;
当原本的样本空间中无法找到一个最优的线性分类函数时，可以考虑利用非线性变化的方法，将原样本空间的非线性问题转化成另一个高维空间中的线性问题。
支持向量机比较适合于规模小的数据集，如果是大量数据集，一般先将问题分解成多个小的子问题，然后再应用支持向量机方法解决子问题。
神经网络有三个要素：拓扑结构、连接方式、学习规则。
人工神经网络由一组相连接的神经元组成。神经元可以看作是一个多输入，单输出的信息处理单元。神经元之间的每个连接都有一个权值与之相连。神经网络的学习就是通过迭代算法对权值逐步修改的优化过程。
最流行的基于神经网络的分类算法是80年代提出的后向传播算法。
后向传播算法分为如下几步：
1.初始化权；
2.向前传播输入 ；
3.向后传播误差。
神经网络模型中包括输入单元层，中间层（也称为隐藏层，可以为多层），输出单元层。
后向传播算法学习过程：迭代地处理一组训练样本，将每个样本的网络预测与实际的类标号比较。
每次迭代后，修改权值，使得网络预测和实际类之间的均方差最小。
初始化权
网络的权通常被初始化为很小的随机数（例如，范围从-1.0到1.0，或从-0.5到0.5）。
每个单元都设有一个偏置（bias），偏置也被初始化为小随机数。卷积神经网络是一种多层神经网络，擅长处理图像特别是大图像的相关机器学习问题。
卷积网络通过一系列方法，成功将数据量庞大的图像识别问题不断降维，最终使其能够被训练。
由输入层、卷积层、激活函数、池化层、全连接层组成。其中卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类。
卷积：在原始的输入上进行特征的提取。
计算过程
第四步，滑动窗口2个步长，重复之前步骤进行计算
第五步，最终可以得到，在2个filter下，卷积后生成的深度为2的输出结果。
①为什么每次滑动是2个格子？
滑动的步长叫stride记为S。S越小，提取的特征越多，但是S一般不取1，主要考虑时间效率的问题。S也不能太大，否则会漏掉图像上的信息。
②由于filter的边长大于S，会造成每次移动滑窗后有交集部分，交集部分意味着多次提取特征，尤其表现在图像的中间区域提取次数较多，边缘部分提取次数较少，怎么办？
一般方法是在图像外围加一圈0，细心的同学可能已经注意到了，在演示案例中已经加上这一圈0了，即+pad 1。 +pad n表示加n圈0.
③一次卷积后的输出特征图的尺寸是多少呢？
聚类分析：根据数据的特征找出数据间的相似性，将相似的数据分成一个类。
数据矩阵经常被称为二模（two-mode）矩阵，而相异度矩阵被称为单模（one-mode）矩阵。这是因为前者的行和列代表不同的实体，而后者的行和列代表相同的实体。
许多聚类算法以相异度矩阵为基础。如果数据是用数据矩阵的形式表现的，在使用该类算法之前要将其转化为相异度矩阵。
为了实现度量值的标准化，一种方法是将原来的度量值转换为无单位的值。
对象间的相异度（或相似度）是基于对象间的距离来计算的 ，通常使用明考斯基距离
其中i = (xi1, xi2, …, xip) ，j = (xj1, xj2, …, xjp) 分别代表两个p-维的对象, q是一个正整数
q = 1的时候，d称为曼哈顿距离
当q =2表示欧几里得距离
距离函数具有如下属性：
1．d（i，j）≥0：距离是一个非负的数值。
2．d（i，i）=0：一个对象与自身的距离是0。
3．d（i，j）= d（j，i）：距离函数具有对称性。
4．d（i，j）≤ d（i，h）+d（h，j）：从对象I到对象j的直接距离不会大于途径任何其他对象的距离。二元变量只有两个状态：0或1
0表示该变量为空
1表示该变量存在
二元变量的两个状态有相同的权重, 那么该二元变量是对称的，也就是两个取值0或1没有优先权
两个对象i和j之间相异度的最著名的系数是简单匹配系数，其定义如下：
如果两个状态的输出不是同样重要，那么该二元变量是不对称的。我们将比较重要的输出结果，通常也是出现几率较小的结果编码为1，而将另一种结果编码为0，将两种都取0的状态忽略掉。
b表示i为1，j为0的个数 c表示i为0，j为1的个数 a表示i、j同为1的个数
设有X={1,0,0,0,1,0,1,1}，Y={0,0,0,1,1,1,1,1}，可以看到，两个元素第2、3、5、7和8个属性取值相同，而第1、4和6个取值不同，那么相异度可以标识为3/8=0.375。一般的，对于二元变量，相异度可用“取值不同的同位属性数/单个元素的属性位数”标识。
就是我们只关心两者都取1的情况，而认为两者都取0的属性并不意味着两者更相似。在这种情况下，改用“取值不同的同位属性数/(单个元素的属性位数-同取0的位数)”来标识相异度，这叫做非对称二元相异度。
标称变量是二元变量的推广，它可以具有多于两个的状态值。
假设一个标称变量的状态数目是M。这些状态可以用字母，符号，或者一组整数（如1，2，…,M）来表示。
两个对象i和j之间的相异度可以用简单匹配方法来计算：
其中m是匹配的数目，即i和j取值相同的变量的数目；而 p是全部变量的数目。
聚类算法的优点：1.能够处理各种数据类型；2.处理各种形状的数据分布；3.不需要太多的输入参数；4.能够处理噪音数据；5.与数据的输入顺序无关；6.具有可解释性和使用性；7.具有可扩展性。
K-means算法
给定一个数据集合X和一个整数K（n），K-Means方法是将X分成K个聚类，就是通过计算不同样本间的距离来判断他们的相近关系的，相近的就会放到同一个类别中去。
K-Means聚类方法分为以下几步：
[1] 给K个cluster选择最初的中心点，称为K个Means。
[2] 计算每个对象和每个中心点之间的距离。
[3] 把每个对象分配给距它最近的中心点做属的cluster。
[4] 重新计算每个cluster的中心点。
[5] 重复2，3，4步，直到算法收敛。
