?數(shù)據(jù)倉(cāng)庫(kù)，數(shù)據(jù)庫(kù)或者其它信息庫(kù)中隱藏著許多可以為商業(yè)、科研等活動(dòng)的決策提供所需要的知識(shí)。分類(lèi)與預(yù)測(cè)是兩種數(shù)據(jù)分析形式，它們可以用來(lái)抽取能夠描述重要數(shù)據(jù)集合或預(yù)測(cè)未來(lái)數(shù)據(jù)趨勢(shì)的模型。分類(lèi)方法（Classification）用于預(yù)測(cè)數(shù)據(jù)對(duì)象的離散類(lèi)別（Categorical Label）；預(yù)測(cè)方法（Prediction ）用于預(yù)測(cè)數(shù)據(jù)對(duì)象的連續(xù)取值。
?
分類(lèi)技術(shù)在很多領(lǐng)域都有應(yīng)用，例如可以通過(guò)客戶(hù)分類(lèi)構(gòu)造一個(gè)分類(lèi)模型來(lái)對(duì)銀行貸款進(jìn)行風(fēng)險(xiǎn)評(píng)估；當(dāng)前的市場(chǎng)營(yíng)銷(xiāo)中很重要的一個(gè)特點(diǎn)是強(qiáng)調(diào)客戶(hù)細(xì)分。客戶(hù)類(lèi)別分析的功能也在于此，采用數(shù)據(jù)挖掘中的分類(lèi)技術(shù)，可以將客戶(hù)分成不同的類(lèi)別，比如呼叫中心設(shè)計(jì)時(shí)可以分為：呼叫頻繁的客戶(hù)、偶然大量呼叫的客戶(hù)、穩(wěn)定呼叫的客戶(hù)、其他，幫助呼叫中心尋找出這些不同種類(lèi)客戶(hù)之間的特征，這樣的分類(lèi)模型可以讓用戶(hù)了解不同行為類(lèi)別客戶(hù)的分布特征；其他分類(lèi)應(yīng)用如文獻(xiàn)檢索和搜索引擎中的自動(dòng)文本分類(lèi)技術(shù)；安全領(lǐng)域有基于分類(lèi)技術(shù)的入侵檢測(cè)等等。機(jī)器學(xué)習(xí)、專(zhuān)家系統(tǒng)、統(tǒng)計(jì)學(xué)和神經(jīng)網(wǎng)絡(luò)等領(lǐng)域的研究人員已經(jīng)提出了許多具體的分類(lèi)預(yù)測(cè)方法。下面對(duì)分類(lèi)流程作個(gè)簡(jiǎn)要描述：
?
訓(xùn)練：訓(xùn)練集——>特征選取——>訓(xùn)練——>分類(lèi)器
分類(lèi)：新樣本——>特征選取——>分類(lèi)——>判決
?
最初的數(shù)據(jù)挖掘分類(lèi)應(yīng)用大多都是在這些方法及基于內(nèi)存基礎(chǔ)上所構(gòu)造的算法。目前數(shù)據(jù)挖掘方法都要求具有基于外存以處理大規(guī)模數(shù)據(jù)集合能力且具有可擴(kuò)展能力。下面對(duì)幾種主要的分類(lèi)方法做個(gè)簡(jiǎn)要介紹：
?
（1）決策樹(shù)
?
決策樹(shù)歸納是經(jīng)典的分類(lèi)算法。它采用自頂向下遞歸的各個(gè)擊破方式構(gòu)造決策樹(shù)。樹(shù)的每一個(gè)結(jié)點(diǎn)上使用信息增益度量選擇測(cè)試屬性。可以從生成的決策樹(shù)中提取規(guī)則。
?
(2) KNN法(K-Nearest Neighbor)
??? KNN法即K最近鄰法，最初由Cover和Hart于1968年提出的，是一個(gè)理論上比較成熟的方法。該方法的思路非常簡(jiǎn)單直觀：如果一個(gè)樣本在特征空間中的k個(gè)最相似(即特征空間中最鄰近)的樣本中的大多數(shù)屬于某一個(gè)類(lèi)別，則該樣本也屬于這個(gè)類(lèi)別。該方法在定類(lèi)決策上只依據(jù)最鄰近的一個(gè)或者幾個(gè)樣本的類(lèi)別來(lái)決定待分樣本所屬的類(lèi)別。
??? KNN方法雖然從原理上也依賴(lài)于極限定理，但在類(lèi)別決策時(shí)，只與極少量的相鄰樣本有關(guān)。因此，采用這種方法可以較好地避免樣本的不平衡問(wèn)題。另外，由于KNN方法主要靠周?chē)邢薜泥徑臉颖荆皇强颗袆e類(lèi)域的方法來(lái)確定所屬類(lèi)別的，因此對(duì)于類(lèi)域的交叉或重疊較多的待分樣本集來(lái)說(shuō)，KNN方法較其他方法更為適合。
??? 該方法的不足之處是計(jì)算量較大，因?yàn)閷?duì)每一個(gè)待分類(lèi)的文本都要計(jì)算它到全體已知樣本的距離，才能求得它的K個(gè)最近鄰點(diǎn)。目前常用的解決方法是事先對(duì)已知樣本點(diǎn)進(jìn)行剪輯，事先去除對(duì)分類(lèi)作用不大的樣本。另外還有一種Reverse KNN法，能降低KNN算法的計(jì)算復(fù)雜度，提高分類(lèi)的效率。
??? 該算法比較適用于樣本容量比較大的類(lèi)域的自動(dòng)分類(lèi)，而那些樣本容量較小的類(lèi)域采用這種算法比較容易產(chǎn)生誤分。
?
?(3) SVM法
?
??SVM法即支持向量機(jī)(Support Vector Machine)法，由Vapnik等人于1995年提出，具有相對(duì)優(yōu)良的性能指標(biāo)。該方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的機(jī)器學(xué)習(xí)方法。通過(guò)學(xué)習(xí)算法，SVM可以自動(dòng)尋找出那些對(duì)分類(lèi)有較好區(qū)分能力的支持向量，由此構(gòu)造出的分類(lèi)器可以最大化類(lèi)與類(lèi)的間隔，因而有較好的適應(yīng)能力和較高的分準(zhǔn)率。該方法只需要由各類(lèi)域的邊界樣本的類(lèi)別來(lái)決定最后的分類(lèi)結(jié)果。
???
支持向量機(jī)算法的目的在于尋找一個(gè)超平面H(d),該超平面可以將訓(xùn)練集中的數(shù)據(jù)分開(kāi)，且與類(lèi)域邊界的沿垂直于該超平面方向的距離最大，故SVM法亦被稱(chēng)為最大邊緣(maximum margin)算法。待分樣本集中的大部分樣本不是支持向量，移去或者減少這些樣本對(duì)分類(lèi)結(jié)果沒(méi)有影響，SVM法對(duì)小樣本情況下的自動(dòng)分類(lèi)有著較好的分類(lèi)結(jié)果。
?
(4) VSM法
??? VSM法即向量空間模型(Vector Space Model)法，由Salton等人于60年代末提出。這是最早也是最出名的信息檢索方面的數(shù)學(xué)模型。其基本思想是將文檔表示為加權(quán)的特征向量：D=D(T1，W1；T2，W2；…；Tn，Wn)，然后通過(guò)計(jì)算文本相似度的方法來(lái)確定待分樣本的類(lèi)別。當(dāng)文本被表示為空間向量模型的時(shí)候，文本的相似度就可以借助特征向量之間的內(nèi)積來(lái)表示。
??? 在實(shí)際應(yīng)用中，VSM法一般事先依據(jù)語(yǔ)料庫(kù)中的訓(xùn)練樣本和分類(lèi)體系建立類(lèi)別向量空間。當(dāng)需要對(duì)一篇待分樣本進(jìn)行分類(lèi)的時(shí)候，只需要計(jì)算待分樣本和每一個(gè)類(lèi)別向量的相似度即內(nèi)積，然后選取相似度最大的類(lèi)別作為該待分樣本所對(duì)應(yīng)的類(lèi)別。
??? 由于VSM法中需要事先計(jì)算類(lèi)別的空間向量，而該空間向量的建立又很大程度的依賴(lài)于該類(lèi)別向量中所包含的特征項(xiàng)。根據(jù)研究發(fā)現(xiàn)，類(lèi)別中所包含的非零特征項(xiàng)越多，其包含的每個(gè)特征項(xiàng)對(duì)于類(lèi)別的表達(dá)能力越弱。因此，VSM法相對(duì)其他分類(lèi)方法而言，更適合于專(zhuān)業(yè)文獻(xiàn)的分類(lèi)。
?
(5) Bayes法
??? Bayes法是一種在已知先驗(yàn)概率與類(lèi)條件概率的情況下的模式分類(lèi)方法，待分樣本的分類(lèi)結(jié)果取決于各類(lèi)域中樣本的全體。
??? 設(shè)訓(xùn)練樣本集分為M類(lèi)，記為C=｛c1，…，ci，…cM}，每類(lèi)的先驗(yàn)概率為P(ci)，i=1，2，…，M。當(dāng)樣本集非常大時(shí)，可以認(rèn)為P(ci)=ci類(lèi)樣本數(shù)/總樣本數(shù)。對(duì)于一個(gè)待分樣本X，其歸于cj類(lèi)的類(lèi)條件概率是P(X/ci)，則根據(jù)Bayes定理，可得到cj類(lèi)的后驗(yàn)概率P(ci/X)：
??? P(ci/x)=P(x/ci)·P(ci)/P(x)(1)
???
若
P(ci/X)=MaxjP(cj/X)
，i=1，2，…，M，j=1，2，…，M，
則有
x∈ci(2)
???
式(2)是最大后驗(yàn)概率判決準(zhǔn)則，將式(1)代入式(2)，則有：
??? 若P(x/ci)P(ci)=Maxj［P(x/cj)P(cj)］，i=1，2，…，M，j=1，2，…，M，則x∈ci
??? 這就是常用到的Bayes分類(lèi)判決準(zhǔn)則。經(jīng)過(guò)長(zhǎng)期的研究，Bayes分類(lèi)方法在理論上論證得比較充分，在應(yīng)用上也是非常廣泛的。
Bayes方法的薄弱環(huán)節(jié)在于實(shí)際情況下，類(lèi)別總體的概率分布和各類(lèi)樣本的概率分布函數(shù)(或密度函數(shù))常常是不知道的。為了獲得它們，就要求樣本足夠大。另外，Bayes法要求表達(dá)文本的主題詞相互獨(dú)立，這樣的條件在實(shí)際文本中一般很難滿(mǎn)足，因此該方法往往在效果上難以達(dá)到理論上的最大值。
?
（6）神經(jīng)網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò)分類(lèi)算法的重點(diǎn)是構(gòu)造閾值邏輯單元，一個(gè)值邏輯單元是一個(gè)對(duì)象，它可以輸入一組加權(quán)系數(shù)的量，對(duì)它們進(jìn)行求和，如果這個(gè)和達(dá)到或者超過(guò)了某個(gè)閾值，輸出一個(gè)量。如有輸入值X1, X2, ..., Xn 和它們的權(quán)系數(shù)：W1, W2, ..., Wn，求和計(jì)算出的 Xi*Wi ，產(chǎn)生了激發(fā)層 a = (X1 * W1)+(X2 * W2)+...+(Xi * Wi)+...+ (Xn * Wn)，其中Xi 是各條記錄出現(xiàn)頻率或其他參數(shù)，Wi是實(shí)時(shí)特征評(píng)估模型中得到的權(quán)系數(shù)。神經(jīng)網(wǎng)絡(luò)是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則的學(xué)習(xí)算法，有一些固有的缺陷，比如層數(shù)和神經(jīng)元個(gè)數(shù)難以確定，容易陷入局部極小，還有過(guò)學(xué)習(xí)現(xiàn)象，這些本身的缺陷在SVM算法中可以得到很好的解決。
凡是有該標(biāo)志的文章，都是該blog博主Caoer（草兒）原創(chuàng)，凡是索引、收藏
、轉(zhuǎn)載請(qǐng)注明來(lái)處和原文作者。非常感謝。