主要分类方法介绍.docx
版权申诉
160 浏览量
2022-07-11
16:17:02
上传
评论
收藏 30KB DOCX 举报
分类(Categorization or Classification)就是按照某种标准给对象贴标签(label)，再根据标签
来区分归类。
分类是事先定义好类别 ，类别数不变 。分类器需要由人工标注的分类训练语料训练得到，
属于有指导学习范畴。
最常用的分类算法就是贝叶斯分类算法，（贝叶斯分类器）
用到的知识就是概率的东西
不准确的说，就是给它一些已经知道分类的例子作为样本，让它自己“找到”
分类标准。
说概念就太抽象，我给你举一些例子吧
比如程序是区分大豆和绿豆的。我们输入的数据是 比如颜色值、半径大小，
属于黄豆还是绿豆等等（当然这是个简单的例子）。首先我们需要拿出一
些“豆子”的数据给程序，并告诉它是黄豆还是绿豆，然后通过自己的算法，
让程序“计算”出区分两种东西的“边界条件”，或者简单说就是提取特征（一
般用的比较多的就是距离）。这就相当于训练/学习等概念。
主要分类方法介绍
，单一的分类方法主要包括：决策树、贝
主要分类方法介绍解决分类问题的方法很多[40-42]
叶斯、人工神经网络、K-近邻、支持向量机和基于关联规则的分类等；另外还有用于组合单
一分类方法的集成学习算法，如 Bagging 和 Boosting 等。
（1）决策树
决策树是用于分类和预测的主要技术之一，决策树学习是以实例为基础的归纳学习算法，它
着眼于从一组无次序、无规则的实例中推理出以决策树表示的分类规则。构造决策树的目的
是找出属性和类别间的关系，用它来预测将来未知类别的记录的类别。它采用自顶向下的递
归方式，在决策树的内部节点进行属性的比较，并根据不同属性值判断从该节点向下的分支，
在决策树的叶节点得到结论。
主要的决策树算法有 ID3、C4.5（C5.0）、CART、PUBLIC、SLIQ 和 SPRINT 算法等。它们
在选择测试属性采用的技术、生成的决策树的结构、剪枝的方法以及时刻，能否处理大数据
集等方面都有各自的不同之处。
资源评论
