在数据挖掘中，派生模型是如何呈现的？

分类是发现一个模型的过程，该模型定义和分类数据类或概念。该模型基于对一组训练数据（即已知类标签的数据对象）的搜索。该模型可以预测类标签未知的对象的类标签。

派生模型可以用多种形式表示，包括分类规则（即 IF-THEN 规则）、决策树、数值公式或神经网络。决策树是一种类似流程图的树状结构，其中每个节点表示对属性值的测试，每个分支定义测试的结果，树叶描述类或类分布。

决策树可以转换为分类规则。神经网络在用于分类时，通常是一组类似神经元的处理单元，这些单元之间具有加权连接。构建分类模型的方法有很多，包括朴素贝叶斯分类、支持向量机和 k 近邻分类。

分类预测分类（离散、无序）标签，回归模型预测连续值函数。回归可以预测缺失或不可用的统计数据值，而不是（离散）类标签。

预测定义了数值预测和类标签预测。回归分析是一种用于数值预测的统计方法，尽管也存在多种技术。回归还围绕着根据可用数据识别分布趋势。

分类和回归可能需要在相关性分析之前进行，相关性分析试图识别对分类和回归过程有显著影响的属性。这些属性将被选择用于分类和回归过程。有多个属性是不相关的，可以不被考虑。

假设作为 AllElectronics 的销售经理，需要根据对销售活动的三种类型的响应（例如良好响应、温和响应和无响应）来定义商店中的一大批商品。

它可以根据商品的描述性特征（包括价格、品牌、产地、类型和类别）为这三个类别中的每一个派生一个模型。生成的分类应该最大限度地将每个类别与其他类别区分开来，呈现数据集的有组织图像。

决策树可以识别价格作为最能区分这三个类别的单个因素。该树可以揭示除了价格之外，有助于进一步区分每个类别的对象的特征还包括品牌和产地。这样的决策树可以帮助我们了解给定销售活动的影响，并在未来设计更有效的活动。

Ginni

更新于： 2022年2月17日

411 次查看

开启你的 职业生涯

通过完成课程获得认证

开始