数据挖掘中的抽样方法--简单记录

有很多种抽样方法，这里只介绍少数最基本的抽样技术和它们的变形。

简单随机抽样：选定任何项的概率相等。

两种变形：（1）有放回抽样；（2）无放回抽样

在有放回抽样中，相同的对象可能会被多次抽中。

当样本与数据集相比相对较少的时候，两种方法 产生的样本差别不大。

分层抽样：总体由不同对象组成，每种类型的对象差别很大。

简单随机抽样不能充分地代表不太频繁出现的对象类型。

分层抽样可以从预先指定的组开始抽样。在最简单的情况下，尽管每组的大小不同，但是从每组抽取的对象个数相同。另一组变形时从每一组抽取的对象数量正比于该组的大小。

渐进抽样

合适的样本容量可能很难确定，因此有时需要使用自适应或渐进抽样的方式。

这些方法从一个小样本开始，然后增加样本容量直至得到足够容量的样本。（还是需要一个评估方法，确定样本是否足够大）

抽样方法的使用要考虑到样本容量的问题

较大的样本容量虽然增加了样本具有代表性的概率，但是也抵消了抽样带来的许多好处。使用较小容量的样本，可能会丢失模式，或者检测出错误的模式。