分类算法是一种在专家指导下的,有监督的数据挖掘方法,其种类很多,包括:
传统方法:线性判别法、距离判别法、贝叶斯分类器;
现代方法:决策树、神经网络ANN、支持向量机SVM;
1、决策树
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。
2、贝叶斯
贝叶斯(Bayes)分类算法是一类利用概率统计知识进行分类的算法,如朴素贝叶斯(Naive Bayes)算法
这些算法主要利用Bayes定理,来预测一个未知类别的样本属于各个类别的可能性,选择其中可能性最大的一个类别作为该样本的最终类别。
由于贝叶斯定理的成立,本身需要一个很强的条件独立性假设前提,而此假设在实际情况中,经常是不成立的,因而其分类准确性就会下降。
为此就出现了许多降低独立性假设的贝叶斯分类算法,如TAN(Tree Augmented Naive Bayes)算法,它是在贝叶斯网络结构的基础上,增加属性对之间的关联来实现的。
3、人工神经网络A
传统方法:线性判别法、距离判别法、贝叶斯分类器;
现代方法:决策树、神经网络ANN、支持向量机SVM;
1、决策树
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。
2、贝叶斯
贝叶斯(Bayes)分类算法是一类利用概率统计知识进行分类的算法,如朴素贝叶斯(Naive Bayes)算法
这些算法主要利用Bayes定理,来预测一个未知类别的样本属于各个类别的可能性,选择其中可能性最大的一个类别作为该样本的最终类别。
由于贝叶斯定理的成立,本身需要一个很强的条件独立性假设前提,而此假设在实际情况中,经常是不成立的,因而其分类准确性就会下降。
为此就出现了许多降低独立性假设的贝叶斯分类算法,如TAN(Tree Augmented Naive Bayes)算法,它是在贝叶斯网络结构的基础上,增加属性对之间的关联来实现的。
3、人工神经网络A