数据挖掘的类型定义

一、从数据分析（data analysis）讨论

预测问题（prediction problems）的两个主要类型是分类（classification）和数值预测（numeric prediction）。

 

这些问题都会涉及到训练数据集（training dataset）。从数据库的角度看，数据集中的每个元素称作训练元组（training tuple）；而在机器学习中，这些元素则称为训练样本（training samples）。

 

每个元组都包含n元，纵向看，每一元都是一种属性（attribute）的取值。因此，每个训练元组也就成为了一个n维的属性向量（attribute vector）。将n维属性向量的某1维作为预测目标，预测问题的本质就是用其他维的特征来预测这个属性的取值。

 

每个属性的取值可能为3个类型中的一种。

1. 类别标签（categorical label）：这些取值形成一个无序（unordered）的集合，例如，各种颜色，yes或no等等

2. 有序值变量（ordered-value variable）：可以排序的一组取值，例如，高、中、低，婴儿、儿童、少年、青年、中年、老年，等等

3. 连续值函数（continuous-valued function）：也就是取连续的实数值了。

当预测目标属性的取值为类别标签时，该预测问题就称作分类（classification），训练得到的模型称作分类机（classifier）。而当预测目标属性的取值为有序值变量或连续函数时，该预测问题就定义为数值预测（numeric pridiction），简称预测（prediction），训练得到的模型称作预测机（predictor）。由于回归分析（regression analysis）是最常用的数值预测方法，有时就把数值预测和回归分析的定义混淆了。

 

二、从机器学习（machine learning）讨论

1. 上面的分类（classification）预测问题从机器学习角度定义为监督式学习（supervised learning），这是因为在分类标签知道的情况下，进行分类的学习。

2. 而在分类标签不知道、不清楚或不需要时，对训练数据集进行的分类，称作非监督式学习（unsupervised learning），也就是聚类（clustering）。

3. 有时还会出现，参考某个或多个分类标签，根据其他属性对数据集进行分类的问题。这时称作半监管式学习（semi-supervised learning）