数据挖掘导论(Pang)笔记

绪论 数据挖掘应用领域:  商务、医学、科学和工程领域 KDD： 数据挖掘要解决的问： 算法可伸缩，数据高维，异种数据和复杂数据，数据的所有权与分布，非传统的分析 数据挖掘汇集了很多交叉性的学科： 任务分为两大类： 预测任务  自变量，因变量 描述任务    相关、趋势、聚类、轨迹和异常 预测建模分为两类：分类（eg.是否买）+回归（eg.股票走势） 数据 数据集可以看作数据的对象的集合。数据对象有时也叫记录，点，向量，模式，事件，案例，样本，观测或者实体。而对象特性叫做变量，特征，字段或维。 数据预处理:使用特征or变量来指代属性. 探索数据 汇总统计: 频率和众数  百分位数  位置度量:均值和中位数、截断均值  散布度量：极差和方差    可视化 图形或 联机分析处理(OLAP) 分类：基本概念、决策树与模型评估 分类任务就是通过学习得到一个目标函数f，把每个属性集x映射到一个预先定义的类标号y。 预测性建模： 解决分类问题的一般方法： 决策树归类法： 根结点，内部节点，叶节点 如何构建决策树  Hunt算法是决策树算法的基础：ID3，C4.5，CART 表示属性测试条件的方法： 二元属性： 连续属性： 决策树（Decision tree） 链接地址:   决策树是以实例为基础的归纳学习算法。 它从一组无次序、无规则的元组中推理出决策树 表示形式的分类规则。它采用自顶向下的递归方式，在决策树的内部结点进行属性值的比较，并根据不同的属性值从该结点向下分支，叶结点是要学习划分的类。从 根到叶结点的一条路径就对应着一条合取规则，整个决策树就对应着一组析取表达式规则。1986年Quinlan提出了著名的ID3算法。在ID3算法的基 础上，1993年Quinlan又提出了C4.5算法。为了适应处理大规模数据集的需要，后来又提出了若干改进的算法，其中SLIQ(super-vised learning in quest)和SPRINT (scalable parallelizableinduction of decision trees)是比较有代表性的两个算法。 ID3算法是由Quinlan首先提出的。该算法是以信息论为基础，以信息熵和信息增益度为衡量标准，从而实现对数据的归纳分类。以下是一些信息论的基本概念： 定义1：若存在n个相同概率的消息，则每个消息的概率p是1/n，一个消息传递的信息量为Log2(n) 定义2：若有n个消息，其给定概率分布为P=(p1,p2…pn)，则由该分布传递的信息量称为P的熵，记为 I(p)=-(i=1 to n求和)piLog2(pi)。 定义3：若一个记录集合T根据类别属性的值被分成互相独立的类C1C2..Ck，则识别T的一个元素所属哪个类所需要的信息量为Info(T)=I(p)，其中P为C1C2…Ck的概率分布，即P=(|C1|/|T|,…..|Ck|/|T|) 定义4：若我们先根据非类别属性X的值将T分成集合T1,T2…Tn，则确定T中一个元素类的信息量可通过确定Ti的加权平均值来得到，即Info(Ti)的加权平均值为： Info(X, T)=(i=1 to n 求和)((|Ti|/|T|)Info(Ti)) 定义5：信息增益度是两个信息量之间的差值，其中一个信息量是需确定T的一个元素的信息量，另一个信息量是在已得到的属性X的值后需确定的T一个元素的信息量，信息增益度公式为： Gain(X, T)=Info(T)-Info(X, T) ID3算法计算每个属性的信息增益，并选取具有最高增益的属性作为给定集合的测试属性。对被选取的测试属性创建一个节点，并以该节点的属性标记，对该属性的每个值创建一个分支据此划分样本. 决策树的构造 这个数据集来自Mitchell的机器学习，叫做是否去打网球play-tennis,以下数据仍然是从带逗号分割的文本文件，复制到纪事本，把后缀直接改为.csv就可以拿Excel打开： *play- tennis data，其中6个变量依次为：编号、天气{Sunny、Overcast、Rain}、温度{热、冷、适中}、湿度{高、正常}、风力{强、弱}以及最 后是否去玩的决策{是、否}。一个建议是把这些数据导入Excel后，另复制一份去掉变量的数据到另外一个工作簿，即只保留14个观测值。这样可以方便地 使用Excel的排序功能，随时查看每个变量的取值到底有多少。*/ NO. , Outlook , Temperature , Humidity , Wind , Play 1 , Sunny , Hot , High , Weak , No 2 , Sunny , Hot , High , Strong , No 3 , Overcast , Hot , High , Weak , Yes 4 , Rain , Mild , High , Weak , Yes 5 , Rain , Cool , Normal , Weak , Yes 6 , Rain , Cool , Normal , Strong , No 7 , Overcast , Cool , Normal , Strong , Yes 8 , Sunny , Mild , High , Weak , No 9 , Sunny , Cool , Normal , Weak , Yes 10 , Rain , Mild , Normal , Weak , Yes 11 , Sunny , Mild , Normal , Strong , Yes 12 , Overcast , Mild , High , Strong , Yes 13 , Overcast , Hot , Normal , Weak , Yes 14 , Rain , Mild , High , Strong , No 这里我们先不讨论算 法（这里用的是ID3/C4.5），把一棵决策树建立起来再说。我们要建立的决策树的形式类似于“如果天气怎么样，去玩；否则，怎么着怎么着”的树形分 叉。那么问题是用哪个属性（即变量，如天气、温度、湿度和风力）最适合充当这颗树的根节点，在它上面没有其他节点，其他的属性都是它的后续节点。借用信息 论的概念，我们用一个统计量，“信息增益”（Information Gain）来衡量一个属性区分以上数据样本的能力。信息增益量越大，这个属性作为一棵树的根节点就能使这棵树更简洁，比如说一棵树可以这么读成，如果风力 弱，就去玩；风力强，再按天气、温度等分情况讨论，此时用风力作为这棵树的根节点就很有价值。如果说，风力弱，再又天气晴朗，就去玩；如果风力强，再又怎 么怎么分情况讨论，这棵树相比就不够简洁了。计算信息增益的公式需要用到“熵”（Entropy）(选择根节点)。名词越来越多，让我们通过手工计算记住它们的计算方 法，把Excel打开： 一些公式: 三种不纯性度量的方法: 1 计算熵 我们检查的属性是是否出去玩。用Excel对上面数据的play变量的各个取值排个序（这个工作簿里把“play”这个词去掉），一共是14条记录，你能数出取值为yes的记录有9个，取值为no的有5个，我们说这个样本里有9个正例，5 个负例，记为S(9+,5-)，S是样本的意思(Sample)。这里熵记为Entropy(S),计算公式为： Entropy(S)= -(9/14)*log(9/14)-(5/14)*log(5/14) 解释一下，9/14 是正例的个数与总记录之比，同样5/14是负例占总记录的比例。log(.)是以2为底的对数（我们知道以e为底的对数称为自然对数，记为 ln(.),lg(.)表示以10为底的对数）。在Excel里我们可以随便找一个空白的单元格，键入以下公式即得0.940： =-(9/14)*LOG(9/14,2)-(5/14)*LOG(5/14,2) 这里LOG(9/14,2)中的“2”表示以2为底。类似地，如果你习惯用Matlab做数学运算本，公式为 -(9/14)*log2(9/14)-(5/14)*log2(5/14) 其中“2”的含义与上同。 总结：在这个例子中，我们的输出属性（我们要检查的属性）“play”只有两个取值，同样地，如果输出属性的取值大于2，公式是对成的，一样的形式，连加就是，找到各个取值的个数，求出各自的比例。如果样本具有二元输出属性，其熵的公式为 Entropy(S) =-(p+)*log(p+)-(p-)*log(p-) 其中，p+、p-分别为正例和负例占总记录的比例。输出属性取值大于2的情况，公式是对称的。 2 分别以Wind、Humidity、Outlook和Temperature作为根节点，计算其信息增益 可以数得，属性Wind中取值为Weak的记录有Normal的记录有8条，其中正例6个，负例2个；同样，取值为Strong的记录6个，正例负例个3个。我们可以计算相应的熵为： Entropy(Weak)=-(6/8)*log(6/8)-(2/8)*log(2/8)=0.811 Entropy(Strong)=-(3/6)*log(3/6)-(3/6)*log(3/6)=1.0 现在就可以计算出相应的信息增益了： Gain(Wind)=Entropy(S)-(8/14)*Entropy(Weak)-(6/14)*Entropy(Strong)=0.940-(8/14)*0.811-(6/14)*1.0=0.048 这个公式的奥秘在于，8/14是属性Wind取值为Weak的个数占总记录的比例，同样6/14是其取值为Strong的记录个数与总记录数之比。 同理，如果以Humidity作为根节点： Entropy(High)=0.985 ; Entropy(Normal)=0.592 Gain(Humidity)=0.940-(7/14)*Entropy(High)-(7/14)*Entropy(Normal)=0.151 以Outlook作为根节点： Entropy(Sunny)=0.971 ; Entropy(Overcast)=0.0 ; Entropy(Rain)=0.971 Gain(Outlook)=0.940-(5/14)*Entropy(Sunny)-(4/14)*Entropy(Overcast)-(5/14)*Entropy(Rain)=0.247 以Temperature作为根节点： Entropy(Cool)=0.811 ; Entropy(Hot)=1.0 ; Entropy(Mild)=0.918 Gain(Temperature)=0.940-(4/14)*Entropy(Cool)-(4/14)*Entropy(Hot)-(6/14)*Entropy(Mild)=0.029 这样我们就得到了以上四个属性相应的信息增益值： Gain(Wind)=0.048 ；Gain(Humidity)=0.151 ； Gain(Outlook)=0.247 ；Gain(Temperature)=0.029 最后按照信息增益最大的原则选Outlook为根节点。子节点重复上面的步骤。这颗树可以是这样的，它读起来就跟你认为的那样： 参考资料： 1.王厚峰，“机器学习‘课程讲义，2007年春季学期，北京大学软件与微电子学院 2.Mitchell,《机器学习》，曾华军等译，北京：机械工业出版社，2003 (2) C4.5算法 C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进： 1) 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足； 2) 在树构造过程中进行剪枝； 3) 能够完成对连续属性的离散化处理； 4) 能够对不完整数据进行处理。 C4.5算法与其它分类算法如统计方法、神经网络等比较起来有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过程中，需要对数据集 进行多次的顺序扫描和排序，因而导致算法的低效。此外，C4.5只适合于能够驻留于内存的数据集，当训练集大得无法在内存容纳时程序无法运行。 (3) SLIQ算法 SLIQ算法对C4.5决策树分类算法的实现方法进行了改进，在决策树的构造过程中采用了“预排序”和“广度优先策略”两种技术。 1)预排序。对于连续属性在每个内部结点寻找其最优分裂标准时，都需要对训练集按照该属性的取值进行排序，而排序是很浪费时间的操作。为此，SLIQ算法 采用了预排序技术。所谓预排序，就是针对每个属性的取值，把所有的记录按照从小到大的顺序进行排序，以消除在决策树的每个结点对数据集进行的排序。具体实 现时，需要为训练数据集的每个属性创建一个属性列表，为类别属性创建一个类别列表。 2)广度优先策略。在C4.5算法中，树的构造是按照深度优先策略完成的，需要对每个属性列表在每个结点处都进行一遍扫描，费时很多，为此，SLIQ采用 广度优先策略构造决策树，即在决策树的每一层只需对每个属性列表扫描一次，就可以为当前决策树中每个叶子结点找到最优分裂标准。 SLIQ算法由于采用了上述两种技术，使得该算法能够处理比C4.5大得多的训练集，在一定范围内具有良好的随记录个数和属性个数增长的可伸缩性。 然而它仍然存在如下缺点： 1)由于需要将类别列表存放于内存,而类别列表的元组数与训练集的元组数是相同的,这就一定程度上限制了可以处理的数据集的大小。 2)由于采用了预排序技术，而排序算法的复杂度本身并不是与记录个数成线性关系，因此，使得SLIQ算法不可能达到随记录数目增长的线性可伸缩性。 (4)SPRINT算法 为了减少驻留于内存的数据量，SPRINT算法进一步改进了决策树算法的数据结构，去掉了在SLIQ中需要驻留于内存的类别列表，将它的类别列合并到每个 属性列表中。这样，在遍历每个属性列表寻找当前结点的最优分裂标准时，不必参照其他信息，将对结点的分裂表现在对属性列表的分裂，即将每个属性列表分成两 个，分别存放属于各个结点的记录。 SPRINT算法的优点是在寻找每个结点的最优分裂标准时变得更简单。其缺点是对非分裂属性的属性列表进行分裂变得很困难。解决的办法是对分裂属性进行分 裂时用哈希表记录下每个记录属于哪个孩子结点，若内存能够容纳下整个哈希表，其他属性列表的分裂只需参照该哈希表即可。由于哈希表的大小与训练集的大小成 正比，当训练集很大时，哈希表可能无法在内存容纳，此时分裂只能分批执行，这使得SPRINT算法的可伸缩性仍然不是很好。 其他资料： 本文是《Mitchell机器学习》《JiaweiHan数据挖掘概念与技术》的学习笔记 概览一 1 决策树就是实例属性值约束的合取的析取式。从树根到树叶的每一条路径对应一组属性测试的合取，树本身对应这些合取的析取。 2 决策树建立时，使用统计测试来确定每一个实例属性单独分类训练样例的能力，在每个结点选取能最好地分类样例的属性，且从不回溯重新考虑以前的选择。因此，决策树学习是一个自顶向下的贪婪搜索算法。 3 每一步都使用统计测试使决策树学习对错误有很好的健壮性。 4 决策树学习的假设空间包含所有的决策树，它是关于现有属性的有限离散值函数的一个完整空间。每个有限离散值函数都可被表示为某个决策树。因此，决策树学习 (ID3)的归纳偏置来自它的搜索策略，即较短的树比较长的树优先，信息增益高的属性更靠近根结点的树优先。这种类型的偏置称为优选偏置或搜索偏置。而候 选消除算法的归纳偏置来自它对搜索空间的定义，被称为限定偏置或语言偏置。 5 奥坎姆剃刀：优先选择拟合数据的最简单假设。 一个解释： 找到一个短的但同时与训练数据拟合的假设的可能性较小，不太可能是统计巧合。 两个难题： I．               根据什么相信短描述的决策树组成的小假设集合比其它众多可定义的小假设集合更适当？ II．            假设的大小由学习器内部使用的特定表示决定。不同的内部表示方式，据奥坎姆剃刀产生两个不同的假设。 6 处理不同代价属性 使属性代价参与属性选择度量，如将信息增益除以属性代价。这在考虑获取属性的不同代价的现实条件时是很有用处的。 概览二 1 在决策树归纳分类之前，假设数据是预处理过的。不可忽略地，这其中包括数据清理，相关分析，数据变换与归约。具体实现及方法另述。 2 (离散)分类和（数值）预测是预测问题的两种主要类型，决策树一般用于分类。 3 归纳决策树时对于树的每一层都需要扫描一遍D中的元组，因此算法的计算复杂度为O(n*|D|*log|D|)。 4 决策树归纳的scalability （1）SLIQ使用若干驻留磁盘的属性列表和单个驻留内存的类列表 （2）SPRINT使用另一种属性列表，易于并行，消除了所有内存限制，但需要正比于训练集的散列树。 （3）RainForest对每个属性维护一个AVC（属性-值-类）集，可以选择任何属性度量。 （4）BOAT使用称作bootstrap的统计学技术，从子集构造多棵树后合并构造接近于真实树的新树。可使用二元分裂的属性选择度量，如Gini指标。只需扫描训练集两次，可以增量更新。 综述 1 属性选择度量：信息增益（ID3使用） I 熵(entropy)刻画了任意样例集的纯度，熵值越大表示越不纯，识别其中元组分类所需要的平均信息量就越大。公式如下： 熵的最大可能为logc。信息论中熵的一种解释是，确定要编码集合S中任意成员的分类所需要的最少二进制位数。所以底数都是2。 II 信息增益Gain(S,A)有几种解释： 由于知道属性A的值而导致的期望熵减少； 原来的信息需求与新的需求的差，即信息需求的期望减少。 公式如下，第二项描述的是每个子集的熵的加权和： 2 属性选择度量：增益率（C4.5使用） I 信息增益度量存在一个内在偏置，它偏袒具有较多值的属性。 II 分裂信息：S关于属性A的各值的熵，用来衡量属性分裂数据的广度和均匀性，惩罚可取较多值的属性。公式如下： III 增益率： IV 增益率存在的问题：当Si约等于S时，分裂信息趋向于0，GainRatio变得不稳定。可以先计算每个属性的增益，仅对增益高过平均值的属性应用增益比率测试。 3 属性选择度量：Gini指标（CART使用） I Gini指标度量数据划分或训练元组集D的不纯度，如下，其中pi=|C(i,D)|/|D|： II 只考虑属性的二元划分。因此对于有v个值的属性A，存在2^v-2中划分。从中选择该属性产生最小Gini指标的子集作为分裂子集。 III 对连续值属性，考虑每对（排序的）相邻值之间的中点取作可能的分裂点。可以证明，产生最大信息增益的分裂点必定位于这样的边界中。 4 树剪枝 (1) 当数据中有噪声或训练样例的数量太少时，决策树归纳算法会出现过度拟合。另外决策树可能很大，很复杂，难以理解。因此需要修剪决策树。 (2) 两种常用的剪枝方法：先剪枝(即提前停止树增长)，后剪枝。对于前者，精确地估计何时停止树增长非常困难，一般进行统计测试来估计扩展一个特定的节点是否可能改善质量，如用卡方测试统计显著性，另外可以使用信息增益，Gini指标及预定义的阈值。后剪枝更常用。 (3) 代价复杂度后剪枝(CART使用)。代价复杂度是树叶结点个数与错误率的函数，使用与训练和测试集合完全不同的修剪验证集合来评估。 (4) 悲观剪枝（C4.5使用）。不需要剪枝集，使用训练集评估错误率，但是假定此估计精度为二项分布，计算标准差，对于一个给定的置信区间，采用下界来估计错误率。虽然这种启发式方法不是统计有效的，但是它在实践中是有效的。 (5) 规则后修剪。将决策树转化为等价的IF-THEN规则，如何提取另述，并尝试修剪每个规则的每个前件(preconditions)。这样的好处是使对于决策树上不同的路径，关于一个属性测试的修剪决策可以不同。另外避免了修剪根结点后如何组织其子节点的问题。 (6) 以明确的标准来衡量训练样例和决策树的复杂度，如最小描述长度准则（MDL），而不是根据估计的错误率。 问题： 1 关于奥坎姆剃刀的第II个难题，进化产生的内部表示使得学习算法的归纳偏置成为seft-fulfilling prophecy。只因为它改变内部表示比改变学习算法更容易。推理中尽是假设？进化何以成立？ 2 证明决策树学习的时间复杂度为O（n*|D|*log|D|）？ 3 信息论中的熵？ 4 为什么Gini指标只能用作二元划分？ 5 证明产生最大信息增益的分裂点必定位于相邻值之间的中点中？ 6 MDL准则如何用于树剪枝？ 决策树构造法ID 如果学习的任务是对一个大的例子集作分类概念的归纳定义，而这些例子又都是用一些无结构的属性值对来表示，则可以采用示例学习方法的一个变种──决策树学习，其代表性的算法是昆兰（J.R.Quinlan，1986）提出的ID3。 ID3的输入是描述各种已知类别实例的列表。例子由预先定义的属性值对来表示。归纳推理产生的结果不是以往讨论的那种合取表达式，而是一棵决策树（也称判别树，并可转而表示为决策规则的一个集合），用它可正确地区分所有给定例子的类属。 树中的每一非叶节点对应一个需测试的属性，每个分叉就是该属性可能的取值；树的叶节点则指示一个例子事物的类别。ID3的显著优点是归纳学习花费的时 间和所给任务的困难度（取决于例子个数，用来描述对象的属性数，所学习概念的复杂度即决策树的节点数等）仅成线性增长关系。当然，ID3只能处理用属性- 值对表示的例子。 在ID3中, 每一个例子用相同的一组属性来表示，每一个属性又有自身的属性值集，如"颜色"属性可取值是{红、绿、兰}等。构造决策树的目的是为了对事物作出正确的分 类。决策树形式的分类规则适用于任何的对象集Ｃ。如Ｃ是空的，那么它无需分类，对应的决策树也为空；如Ｃ中的对象是同一类的，那么决策树就一个叶节点，即 该类名；如果Ｃ集中的对象属于二个不同的类别，那未我们可以选取一个对象的属性，随后按其可能值把Ｃ划分成一些不相交的子集C1，C2，…，Cn，其中 Ci是含有所选属性的第ｉ个值的那些对象集。对每一个这样的子集又可以用同样的策略处理，最后的结果是一棵树。 下面给出一个关于人分类的例子（对象）集，并预先定义了指定的一组属性及其可取值：高度{高，矮}，发色{黑色, 红色，金色}和眼睛{兰色，棕色}。这里，将人分为两类，分别以＋、－来指示。 高度    发色  　眼睛　     类别 ─────────────────────────── 矮    　黑色  　兰色      － 高    　黑色  　兰色      － 矮    　金色  　兰色      ＋ 高    　金色  　棕色      － 高    　黑色  　棕色      － 矮    　金色  　棕色      － 高    　金色  　兰色      ＋ 高    　红色  　兰色      ＋ 如我们首先选取"发色"为树的根节点，即可获得图6.11所示的决策树。 相应于"黑色"，"红色"和"金色"三值都有一个对象子集。随后我们再测试"金色"这一分支，又按属性"眼睛"把其所含的对象集划分成兰色和棕色二类。至此，所有叶结点相应的对象子集只含同一类的对象，我们就可以用相应的类别名（本例中的+ 和 -）来取代各子集，得到一决策树，如图6.12所示。 一个对象所属类的判别从决策树的根开始，首先依据根节点指示的属性（发色），选择与该对象属性值相应的分支；然后，以同样的方式进行下去, 一直到达叶节点。有时判别一个对象的类别，由于从根到叶节点的路径较短，只要测试少量的属性。如上例中，若"发色"的值是"黑色"或"红色"，则对象就可 以直接归属相应的类别，而不必再去判定其它属性的取值；若为"金色"，则再测试一次"眼睛"的值（而不必考虑"高度"）就可以进行判别。 若不存在这样的二个对象:它们在每个属性上都具有相同的值，却属于不同的类别，那么这种生成决策树的过程是可行的。产生这种归纳学习方法的关键在于 如何选择一系列有用的属性来测试一个对象集，以使生成的决策树是最小的。ID3采用了香农（Shannon）信息论中的方法以使分类时期望（平均）的测试 次数最小。 一个决策树可看成一个信息源，即给定一个对象，可从决策树产生一个该对象所属类别的消息(比如类别"+"或"-")。决策树的复杂程度与借助这个消息所传递的信息量密切相关。若决策树传递的不同类别消息的概率用P+ (对应于"+"类)和P-表示(对应于"-"类)，那么这个消息的期望信息量为: - P+log2P+ - P-log2P- 对给定的物体集C，我们可以把这概率近似地表示为相对频率, 此时P+和P-分别等于C中类别为"+"和"-"的对象所占的比例。 从C集对应的决策树中得到消息的期望信息量记为M(C)，并定义M({})=0。 对于上述例子，C集有八个例子，三个为"+"，五为"-"，则 M(C) = -（3/8）log2（3/8）-（5/8）log2（5/8）= 0.954 bits 图6.13是一个局部决策树，A为构造决策树时下一个可能选取的属性，Ai为属性A的值且是互斥的。属性A将集合C划分为若干个子集合 {C1，C2，...，Cn}。设M(Ci)是值为Ai的子集Ci所对应决策树的期望信息量，则确定以属性A作为树根的决策树的期望信息量B(C, A)可通过权值平均而得到: B(C, A)＝∑(A值为Ai的概率) * M(Ci) 同样我们把Ai的概率用相对比例来代替，即在所有对象中具有Ai值所占的相对比例。 我们希望待选的测试属性能使决策树获得最大的信息增益即M(C)-B(C, A)为最大值。因为M(C)为判别一个对象的类属所要求的总的期望信息量，B(C,A)为按属性A构造局部决策树后还需要的期望信息量。二者的差越大，说明测试这个属性所能传递的信息量越大,则判别的速度也就越快。 例如，图6.14中，我们选取的属性为"高度"，对高度值为"高"的分支的所需期望信息量为： -（2/5）log2（2/5）-（3/5）log2（3/5）= 0.971 bits 同样对值为"矮"的分支为: -（1/3）log2（1/3）-（2/3）log2（2/3）= 0.918 bits 则以属性"高度"作划分后进一步判别所需的期望信息量为： B(C,"高度") = 5/8 * 0.971 + 3/8 * 0.918 = 0.951 则测试这属性传递的信息为: M(C)-B(C,"高度") = 0.954 - 0.951 = 0.003 bits。 如果我们不是选择"高度"而选用属性"头发"，如图6.12所示, 则有: B(C,"头发") = 3/8 * 0 + 1/8 * 0 + 4/8 * 1 = 0.5 bits 则测试属性"头发"获取的信息为M(C)-B(C,"头发") = 0.945 - 0.5 = 0.45 bits。 同样对属性"眼睛"测试，获得信息为0.347bits。根据最大信息量原理,ID3就选取"头发"为决策树的根节点属性。 ID3通过不断的循环处理，逐步求精决策树，直到形成一棵完整的决策树，即树的叶节点所对应的对象（例子）均属于同一类。 模型的过分拟合: 训练误差,泛化误差 分类： 其他技术 关联规则 在excel中进行数据挖掘: 新浪:  几个重要的参数，分别是：项集(Itemset)、支持(Support)、概率(Probability)、重要性(Importance)。 人们通过发现关联的规则，可以从一件事情的发生，来推测另外一件事情的发生，从而更好地了解和掌握事物的发展规律等等，这就是寻找关联规则的基本意义。关联规则的实际应用包括：交叉销售、邮购目录的、商品摆放、流失客户分析、基于购买模式进行客户区隔等等…… 关联规则数据挖掘中最经典的案例就是沃尔玛的啤酒和尿布的故事。沃尔玛拥有世界上最大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行购物篮分析，想知道顾客经常一起购买的商品有哪些。沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。一个意外的发现是：“跟尿布一起购买最多的商品竟是啤酒！”经过大量实际调查和分析，揭示了一个隐藏在“尿布与啤酒”背后的美国人的一种行为模式：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。 在不同资料或程序中，关联规则的表述或许不同，但基本原理应是一致的，本文以Excel数据挖掘外接程序为例，使用它会涉及到几个重要的参数，分别是：项集(Itemset)、支持(Support)、概率(Probability)、重要性(Importance)。下面用一个非常简单的示例分别加以说明，仅是为了方便快速理解相关概念，千万不要对号入座！假设有3笔交易对应的产品明细如下表： 交易号 产品 T01 啤酒 T01 尿布 T02 啤酒 T02 尿布 T03 尿布     1、项集(Itemset)：项集包含一组产品，上面的示例包含3个项集，分别是：{啤酒}、{尿布}、{啤酒，尿布}。每个项集都有一个大小，该大小表示项集中包含的项的数目，例如项集{啤酒}的大小是1，项集{啤酒，尿布}的大小是2。 频繁项集是在数据集中出现频率相当高的那些项集。  2、支持(Support)：支持表示一个项集出现的次数，例如项集{啤酒，尿布}的支持是同时包含啤酒和尿布的交易总个数。Support({啤酒})=2，Support({尿布})=3，Support({啤酒，尿布})=2。 Minimum_Support是一个阈值参数，必须在处理关联模型之前指定该参数。该参数表示用户只对某些项集和规则感兴趣，这些规则表示数据集的最低支持度。它是用于对项集进行限制，而不是对规则进行限制。 3、概率(Probability)：也叫置信度（Confidence），是关联规则的属性。 Probability(尿布=>啤酒)=Probability(啤酒|尿布)=Support({啤酒，尿布})/Support({尿布})=66.7% Probability(啤酒=>尿布)=Probability(尿布|啤酒)=Support({啤酒，尿布})/Support({啤酒})=100% Minimum_Probability是一个阈值参数，必须在运行算法之前指定该参数。它表用户只对某些规则感兴趣，这些规则要大于或等于最小的概率。它对项集没有任何影响，它影响的是规则。 4、重要性(Importance)：实际挖掘出来的一些关联规则，并非都是有用的，甚至是有一定的误导性，所以重要性这个指标就显得非常重要。关联规 则重要性的定义，微软官方文档的翻译为：在已知规则左侧的情况下，求规则右侧的对数可能性值。这个怎么理解呢？个人认为它类似于概率论中相关性的概念，先 计算概率的比率，然后使用对数将该比率规范化。下面是示例的计算结果（暂不知它的具体计算过程，希望知道的朋友能够告知）： Importance(尿布=>啤酒)=Log10(6/5)=0.08 Importance(啤酒=>尿布)=Log10(9/8)=0.05 如果重要性分数为0，则表示没有关联；正的重要性分数表示正相关；负的重要性分数表示负相关。 综上所述，这个简单示例的关联规则挖掘结果可以解读为：购买了尿布的消费者，有66.7%的人会同时购买啤酒，重要性是正数，约为0.08，表示当客户购买尿布时，购买啤酒的可能性会加大。反之，购买了啤酒的消费者，100%都会同时购买尿布，但重要性比 {尿布=>啤酒} 这个关联规则要低一点。 上一篇博文《在Excel中进行数据挖掘》中的结果可以这样解读：从第二条关联规则挖掘结果来看，购买了Bike Stands的消费者，有79.8%的人会同时购买Tires and Tubes，重要性约为0.263，因此当客户购买Bike Stands时，购买Tires and Tubes的可能性比较大，建议将它们放在一起进行销售。 值得一提的是，使用同样的数据源，参数设置都一样，不同时间运行的结果却可能不一样，比如我现在再次运行此关联规则，{Bike Stands -> Tires and Tubes}的概率是82.1%，重要性是0.275，虽然差异不算太大，但还是令我有点困惑，望知情人能够告知原因，在此先谢过了。