有监督的数据挖掘

有监督的数据挖掘

 

监督学习也被称为指导学习。我们使用一个先前已知的属性或者目标来指导学习过程。定向的数据挖掘试图着去将目标的行为解释为一组拥有独立属性、可进行预测的函数。

监督学习在预测模型中产生结果。相对无监督的学习这种方式的目标是模式的匹配。

建立有监督的模型需要包含训练，就是一个用软件分析目标值已经得知的事件。例如，如果一个模型试图寻找出客户群体中更可能对一次促销感兴趣的部分群体，那么这个模型就必须了解这些客户过去对一次促销的反应。

 

监督学习：测试

 

构建和测试某些预测模型需要独立的数据集。训练数据和测试数据必须有着相同的表结构。通常，一张非常大的表或试图会被分为两个数据集：一个用来创建模型，另一个用来测试模型。

应用模型到数据的这个过程就会决定是否采用这个模型，基于一个样本推广到其他数据。特别的是，它尤其可以避免那种虽然模型的逻辑很符合创建时用到的数据，但是该模型却不具有准确预测能力的情况。

 

监督学习：Scoring（评分）

应用数据也被叫做对数据进行评分。例如：你也能已经建立一个模型用来确定那些经常购买某一商品的顾客有着哪些共同的特点。然后在现实中你获取了那些在特定商店购物而且很有可能购买某一相关商品的消费者列表，你可能就会对那一家店进行模型的应用。在这个案例中，商店的消费者数据就是评分数据。

评分的目的是分类和回归。这也是监督数据挖掘技术的原则。

ODM不支持对属性重要性的评分操作。这类模型基于对大量人口的统计而获取人口的信息，因此无法应用到单独的某个人身上。属性重要性预测模型通过对预测结果准确性的影响大小来对属性进行分级。