机器学习-分类学习_加水印.pdfVIP

分类的概念 2 p 虽然我们人类都不喜欢被分类 ，被贴标签 ，但数据研究的基础正是给数据“贴标 签”进行分类。类别分得越精准 ，我们得到的结果就越有价值。 p分类是一个有监督的学习过程 ，目标数据库中有哪些类别是已知的，分类过程需 要做的就是把每一条记录归到对应的类别之中。由于必须事先知道各个类别的信 息 ，并且所有待分类的数据条 目都默认有对应的类别 ，因此分类算法也有其局限 性 ，当上述条件无法满足时，我们就需要尝试聚类分析。 分类的概念 3 监督学习 在监督学习中，算法从有标记数据中学习。在理解数据之后 ，该算法通过将模式与 未标记的新数据关联来确定应该给新数据赋哪种标签。 监督学习可以分为两类 ：分类和回归。 分类问题预测数据所属的类别 ； 分类的例子包括垃圾邮件检测、客户流失预测、情感分析、犬种检测等。 回归问题根据先前观察到的数据预测数值 ； 回归的例子包括房价预测、股价预测、身高-体重预测等。 分类的概念 4 区分 「聚类」与 「分类」 • 聚类和分类是两种不同的分析。 • 分类的目的是为了确定一个点的类别，具体有哪些类别是已知的，是一种有监 督学习。聚类的目的是将一系列点分成若干类，事先是没有类别的，是一种无 监督学习。 • 两者也有共同点，那就是它们都包含这样一个过程：对于想要分析的目标点， 都会在数据集中寻找离它最近的点。 如判断邮件是否为垃圾邮件 ，判断在线交易是否存在潜在风险，判断肿瘤为良 性还是恶性等等 分类的概念 5 ü 分类是一种基于一个或多个 自 ü 逻辑回归类似于线性回归，适用于因变 变量确定因变量所属类别的技 量不是一个数值字的情况 ( “是/否”响 术。 应)。它虽然被称为回归，但却是基于根 ü 分类用于预测离散响应。 据回归的分类 ，将因变量分为两类。 分类的概念 6 回顾 ：逻辑回归 逻辑回归用于预测二分类的输出。例如 ，如果信用卡公司构建一个模型来决定是否通过向客户的发行 信用卡申请 ，它将预测客户的信用卡是否会 “违约”。 首先对变量之间的关系进行线性回归以构建模型 ，分类的阈值假设为0.5。 然后将Logistic函数应用于回归分析 ，得到两类的概率。 该函数给出了事件发生和不发生概率的对数。最后 ，根据 这两类中较高的概率对变量进行分类。 本章目录 9 一 分类问题表示及基本模型 二 Fisher线性判别分类 三 多类逻辑回归问题 四 朴素贝叶斯分类 一、分类问题表示及基本模型 10 分类问题 （Classification） n 数据集 （标注集） N D x , t y h x  i i    i 1 t, y  1, , C n 分类(Classification)   C 2，binary classification C 2,multiclass classification 一、分类问题表示及基本模型 11 基本分类问题表示 对于2类问题