在训练过程中，有多种方法可以估计模型的泛化误差。估计的误差支持学习算法进行模型选择；即，发现一个不受过拟合影响的、具有适当复杂度的模型。因为模型已经构建完成，所以它可以用于测试集中来预测先前未见数据的类标签。衡量模型在测试集上的性能通常很有用，因为这种衡量标准提供了对其泛化误差的无偏估计。从测试集中评估的准确率或错误率可以… 阅读更多

决策树归纳有以下几个特点：决策树归纳是一种构建分类模型的非参数方法。换句话说，它不需要对类和不同属性满足的概率分布类型做出任何先验假设。找到最优决策树是一个 NP 完全问题。许多决策树算法采用基于启发式的方法来指导它们在巨大的假设空间中的搜索。已经开发了多种技术来构建计算成本低的决策树，使得即使训练集大小非常大，也能快速构建模型。… 阅读更多

决策树归纳是从带类标签的训练元组中学习决策树。决策树是一种类似流程图的树状结构，其中每个内部节点（非叶节点）表示对某个属性的测试，每个分支表示测试的结果，每个叶节点（或终端节点）表示一个类标签。树中最大的节点是根节点。决策树归纳生成一个类似流程图的结构，其中每个内部（非叶）节点表示对某个属性的测试，每个分支对应于测试的结果，每个外部（叶）节点表示一个类预测。在每个节点上，… 阅读更多

变量转换定义了一种用于变量某些值的转换。换句话说，对于每个对象，该转换都应用于该对象的变量值。例如，如果只需要变量的幅度，则可以通过取绝对值来更改变量的值。变量转换有两种类型：简单函数转换和归一化。简单函数每个值都独立地应用一个简单的数学函数。如果 r 是一个变量，则此类转换的示例包括 xk、logx、ex、$\sqrt{x}$、$\frac{1}{x}$、sinx 或 |x|。在… 阅读更多

数据挖掘是通过传递存储在存储库中的大量数据来查找有用的新相关性、模式和趋势的过程，使用模式识别技术，包括统计和数学技术。它是对事实数据集的分析，以发现意想不到的关系，并以对数据所有者而言既合乎逻辑又有所帮助的新方法总结记录。数据挖掘技术可用于为三种类型的任务创建三种类型的模型，例如描述性分析、定向分析和预测。描述性分析- 描述性模型定义了记录中的内容。输出是多个… 阅读更多

假设检验是将数据整合到公司决策过程中的最简单方法。假设检验的目的是证实或反驳预先设想的想法，它是几乎所有数据挖掘工作的组成部分。数据挖掘人员在方法之间来回切换，首先想出观察到的行为的可能描述，并让这些假设决定要计算的数据。假设检验是科学家和统计学家传统上终生都在做的事情。假设是一种提出的解释，其有效性可以通过分析数据来检验。此类信息可以通过观察轻松收集，也可以通过实验创建，… 阅读更多

在单属性评估器中，它可以与 Ranker 搜索方法一起使用，以生成一个排序列表，Ranker 从中丢弃给定数量的列表。它也用于 RankSearch 方法。Relief 属性评估是基于实例的- 它随机抽取实例并检查相同和多个类的相邻实例。它适用于离散和连续类数据。参数定义要采样的多个实例、要检查的各种邻居、是否按距离对邻居加权以及一个指数函数，该函数控制权重如何随着距离的增加而衰减。信息增益属性评估- 它通过计算其信息增益来计算属性… 阅读更多

Weka 是一套用于数据挖掘服务的机器学习算法。这些算法可以直接应用于数据集或从您自己的 Java 程序中使用。它包括用于数据预处理、分类、回归、聚类、关联规则和可视化的工具。它也适用于生成新的机器学习方案。使用 Weka 的一种方法是对数据集应用学习算法并分析其输出以了解有关记录的更多信息。第二个是需要学习的模型来对新实例进行预测。第三个是使用多个学习器并比较它们的性能以选择一个用于… 阅读更多

可以通过称为偏差-方差分解的理论工具来检查组合多个假设的效果。假设可以有无限多个大小相似的单独训练集，并使用它们来创建无限多个分类器。所有分类器都处理一个测试实例，并且通过多数投票来确定单个答案。在这种情况下，由于没有学习设计是完美的，因此会出现错误。错误率将基于机器学习方法连接手头问题的程度，并且记录中也存在噪声的影响，这无法… 阅读更多

异常值是指与其余对象本质上不同的数据对象，就好像它是由不同的机制产生的。为了演示的目的，可以将不属于异常值的数据对象定义为“正常”或预期数据。通常，可以将异常值定义为“异常”数据。异常值是无法合并到给定类或聚类中的数据组件。这些是其行为与不同数据对象的通常行为存在差异的数据对象。这种类型的数据分析对于挖掘知识可能很重要。异常值之所以引人注目，是因为它们是… 阅读更多