问题一:从实际问题出发
现实生活中,我们往往能够找到很多分类的例子。假设某个疾病只跟k个因素有关,那么我们通过获取病人这k个因素的数据和不生病人k个因素的取值,可以建立起一个判别函数。当我们有一个检测样本进来的时候,我们通过k个因素的取值和检测函数就能最终判别出该样本的情况。
问题二:数据属性差异性的刻画
比较典型的算法是knn算法,我们通过计算未知数据周围最近的k个数据进行投票,最终确定出未知点的分类。所以,如何找到离未知数据最相似的k个点成为我们需要解决的问题。
我们需要找到一个合适的距离计算来进行刻画对象的差异性,我们将分几种情况进行讨论:标称属性、二元属性、数值属性、序列属性。
(一)标称属性
当我们的数据属性如下图所示,为混合类型的样本时,对于test_1这类标称属性,我们可以采取不匹配率来进行计算数据间的差异性。m是匹配的数目,p是刻画对象的属性总数。