第一章 开启数据挖掘之旅
1.4 分类问题的简单示例
1.4.1 什么是分类?
首先,介绍类别的概念,下面是两个类别。
“图像里有狗吗?” 二值问题
“植物属于哪个种类?” 非二值问题
根据已知类别的数据集,经过训练得到一个分类模型,再用模型对类别未知的数据进行分类。
例子:用自己标注的邮件数据进行训练,得到一个能进行垃圾邮件过滤的分类模型。
在这里介绍特征值和类别的取值类型
特征值是连续的(花萼的长度1.1cm和1.2cm),且相近的值,表示相近度很大(意味着他们可以被同等对待)。
类别的取值是离散的,0、1、2分别代表不同的植物类型,且相近的值的类型并没有相近度(0、1与0、2并不表示0和1的有相似之处,也不意味0、2完全不相似)。
特征值的离散化:
确定一个阈值,大于该阈值的特征值为1;反之为0
(在这里我们去特征值的均值为阈值)
1.4.2 案例
Iris植物分类数据集,scikit-learn库内置了这个数据集。根据植物的特征推测它的