数据挖掘机器学习分类算法导论

数据挖掘机器学习分类算法导论

分类算法，简单来讲就是确定一个未知对象所在的预定义类别
分类的输入数据是样本的集合，用元组表示，即：$$（特征，类别）$$其中特征值可以是离散或者连续，而类别只能是离散，这是区别分类与回归的关键。

分类算法的任务就是通过学习训练数据集得到一个目标函数f，把每一个特征（x）一一映射到预定义类别y中，目标函数即为分类模型目前的分类算法比较适合二分类。

---

一、KNN（K最近邻）算法

基本思路

“近朱者赤，近墨者黑”，由你的邻居来推断你所属的类别。

确定K值

所谓的K值，就是特定范围内样本的个数，不同的K值，对目标样本的分类结果可能截然相反，在Python中，K值被默认为5。

交叉验证（cross-vaildation）可以用来确定K值，从K=1开始，逐个计算模型准确率。$$一般而言，K值低于训练样本数的平方根。$$

确定邻居

这个过程就是计算训练样本和待分类样本的距离，方法有：

• 欧氏距离
• 曼哈顿距离
• 余弦距离

确定待分类类别

• 少数服从多数
• 加权确定（权重为距离平方的倒数）

算法优缺点

优点

1. 简单，无需训练，无需参数估计；
2. 适合对稀有事件进行分类；
3. 对多分类问题结果更好，比SVM要好些。

缺点

1. 对测试样本分类需全遍历，计算量大；
2. 当正负样本不平衡时，如一个类的样本量很大，而其他类样本量很小时，待测样本K个邻居中大样本量的类别中的样本占多数，导致分类错误。

Python版本

待更