《Python数据分析与挖掘实战》数据挖掘算法基础.pptx

第5章数据挖掘算法基础;;分类算法构造一个分类模型，模型的输入为样本的属性值，输出为对应的类别，将每个样本映射到预先定义好的类别。

回归算法则是建立两种或两种以上变量间相互依赖的函数模型，然后使用函数模型预测目标的值。

;常用的分类与回归算法：

;对于分类模型的评价，常用的模型评价指标包括了准确率、精确率、反馈率、混淆矩阵和ROC曲线等。

;准确率

准确率（Accuracy）是指预测正确的结果所占总样本的百分比：

错误率

错误率（Fallibility）是指预测错误的结果所占总样本的百分比：

;精确率

精确率（Precision）是指所有被预测为正的样本中实际为正的样本的概率：

反馈率

反馈率（Recall）是指实际为正样本预测为正样本占实际为正样本的总数概率：

;

;对于回归模型，常用的模型评价指标包括了绝对误差与相对误差、误差分析中的综合指标（平均绝对误差、均方误差、均方根误差）、平均绝对百分误差和Kappa统计量等。

绝对误差（AbsoluteError）：

相对误差（RelativeError）：

平均绝对误差（MeanAbsoluteError，MAE）：

;均方误差（MeanSquaredError，MSE）：

均方根误差：

平均绝对百分误差：

;Kappa统计

Kappa统计是比较两个或多个观测者对同一事物，或观测者对同一事物的两次或多次观测结果是否一致，将由随机造成的一致性和实际观测的一致性之间的差别大小作为评价基础的统计指标。

Kappa取值在区间[-1,1]内，其值的大小均有不同意义，具体如下：

当Kappa=1时，说明两次判断的结果完全一致。

当Kappa=-1时，说明两次判断的结果完全不一致。

当Kappa=0时，说明两次判断的结果是随机造成。

当Kappa<0时，说明一致程度比随机造成的还差，两次检查结果很不一致，在实际应用中无意义。

当Kappa>0时，说明有意义，Kappa愈大，说明一致性愈好。

当时，说明已经取得相当满意的一致程度。

当Kappa<0.4时，说明一致程度不够。

;对于由d个属性组成的样本集，其中是在第个属性上的取值，线性模型即??过学习得到一个属性的线性组合来预测样本标签的函数：

其中，表示回归系数的集合，其中回归系数表示属性在预测目标变量时的重要性，b为常数。;使用scikit-learn库中linear_model模块的LinearRegression类可以建立线性回归模型，其基本使用格式和常用参数描述如下：

classsklearn.linear_model.LinearRegression(fit_intercept=True,normalize=False,copy_X=True,n_jobs=1)

;逻辑回归是一种广义的线性回归模型，但实际是逻辑回归是一个分类算法。具体的分类方法：设定一个分类阈值，将预测结果大于分类阈值的样本归为正类，反之归为反类。

其中，的取值范围是，与线性模型中的一致。;逻辑回归模型的建模步骤：

;使用scikit-learn库中linear_model模块的LogisticRegression类可以建立逻辑回归模型，其语法格式和常用参数描述如下：

classsklearn.linear_model.LogisticRegression(penalty='l2',class_weight=None,random_state=None,solver='liblinear',max_iter=100);决策树是一树状结构，它的每一个叶节点对应着一个分类，非叶节点对应着在某个属性上的划分，根据样本在该属性上的不同取值将其划分成若干个子集。对于非纯的叶节点，多数类的标号给出到达这个节点的样本所属的类。;决策树;用于评价拆分分类目标变量的纯度度量包括：

熵(entropy，信息量)

信息增益(Gain)

信息增益率

基尼(Gini，总体发散性)

改变拆分准则（splittingcriteria）导致树的外观互不相同。

;常用的决策树算法：;决策树;决策树;如果数据集D中共有N类样本，出现的概