解释数据挖掘中的分类：类型、分类器和应用程序 [2022]

数据挖掘是数据科学中最重要的部分之一。 它允许您获取必要的数据并从中生成可操作的见解以执行分析过程。

在下面的专栏中，我们将介绍数据挖掘系统的分类，并讨论该过程中使用的不同分类技术。 您将了解它们在当今环境中的使用方式以及如何成为该领域的专家。

什么是数据挖掘？

数据挖掘是指以不同的方式挖掘或挖掘数据以识别模式并获得更多洞察力。 它涉及分析发现的模式以了解如何有效地使用它们。

在数据挖掘中，您对大型数据集进行排序，找到所需的模式并建立关系以执行数据分析。 这是数据分析中的关键步骤之一，没有它，您将无法完成数据分析过程。

数据挖掘是任何数据分析过程的初始步骤之一。 因此，正确执行数据挖掘至关重要。

什么是数据挖掘中的分类？

数据挖掘中的分类是一种将数据点分成不同类别的常用技术。 它允许您组织各种数据集，包括复杂和大型数据集以及小型和简单数据集。

它主要涉及使用可以轻松修改的算法来提高数据质量。 这是监督学习在数据挖掘技术中的分类中特别常见的一个重要原因。 分类的主要目标是将感兴趣的变量与所需的变量联系起来。 感兴趣的变量应该是定性类型的。

该算法建立了预测变量之间的联系。 您在数据挖掘中用于分类的算法称为分类器，您通过分类器进行的观察称为实例。 当您必须处理定性变量时，您可以在数据挖掘中使用分类技术。

有多种类型的分类算法，每一种都有其独特的功能和应用。 所有这些算法都用于从数据集中提取数据。 用于特定任务的应用程序取决于任务的目标和需要提取的数据类型。

数据挖掘中的分类技术类型

在讨论数据挖掘中的各种分类算法之前，让我们先看看可用的分类技术类型。 首先，我们可以将分类算法分为两类：

1. 生成式
2. 有区别的

下面对这两个类别做一个简单的解释：

生成式

生成分类算法对各个类别的分布进行建模。 它试图通过估计模型的分布和假设来学习创建数据的模型。 您可以使用生成算法来预测看不见的数据。

一个突出的生成算法是朴素贝叶斯分类器。

有区别的

它是一种基本的分类算法，用于确定一行数据的类别。 它通过使用观察到的数据进行建模，并且依赖于数据质量而不是其分布。

逻辑回归是一种优秀的判别分类器。

机器学习中的分类器

分类是数据挖掘中非常流行的一个方面。 因此，机器学习有很多分类器：

1. 逻辑回归
2. 线性回归
3. 决策树
4. 随机森林
5. 朴素贝叶斯
6. 支持向量机
7. K-最近邻

1. 逻辑回归

逻辑回归允许您对特定事件或类别的概率进行建模。 它使用逻辑来对二元因变量进行建模。 它为您提供单次试验的概率。 因为逻辑回归是为分类而构建的，可帮助您了解多个自变量对单个结果变量的影响。

逻辑回归的问题在于，它仅在您的预测变量是二元且所有预测变量都是独立的情况下才有效。 此外，它假设数据没有任何缺失值，这可能是一个很大的问题。

2. 线性回归

线性回归基于监督学习并执行回归。 它根据自变量对预测值进行建模。 首先，我们用它来找出预测和变量之间的关系。

它根据特定的自变量预测因变量值。 特别是，它找到了自变量和因变量之间的线性关系。 它非常适合您可以线性分离的数据并且效率很高。 但是，它容易过拟合和鼻子。 此外，它依赖于自变量和因变量线性相关的假设。

3. 决策树

决策树是数据挖掘中最强大的分类技术。 这是一个类似于树形结构的流程图。 在这里，每个内部节点指的是一个条件的测试，每个分支代表测试的结果（无论是真还是假）。 决策树中的每个叶节点都有一个类标签。

您可以根据决策树将数据拆分为不同的类。 它将根据创建的决策树预测新数据点属于哪些类。 它的预测边界是垂直和水平线。

4. 随机森林

随机森林分类器在不同的数据集子样本上拟合多个决策树。 它使用平均值来提高其预测准确性并管理过度拟合。 子样本量总是等于输入样本量； 但是，样本是通过替换抽取的。

随机森林分类器的一个独特优势是它减少了过度拟合。 此外，该分类器比决策树具有更高的准确性。 然而，它是一种速度较慢的实时预测算法，并且是一种高度复杂的算法，因此很难有效地实现。

5.朴素贝叶斯

朴素贝叶斯算法假设每个特征彼此独立，并且所有特征对结果的贡献相同。

该算法依赖的另一个假设是所有特征都具有同等重要性。 它在当今世界有许多应用，例如垃圾邮件过滤和文档分类。 朴素贝叶斯只需要少量的训练数据来估计所需的参数。 此外，朴素贝叶斯分类器比其他复杂和高级的分类器要快得多。

然而，朴素贝叶斯分类器因估计能力差而臭名昭著，因为它假设所有特征都同等重要，这在大多数现实世界场景中并非如此。

6.支持向量机

支持向量机算法，也称为 SVM，表示空间中的训练数据以较大的差距区分为类别。 然后将新的数据点映射到相同的空间，并根据它们落入的差距的一侧来预测它们的类别。 该算法在高维空间中特别有用，并且内存效率很高，因为它仅在其决策函数中使用训练点的子集。

该算法在提供概率估计方面滞后。 您需要通过五重交叉验证来计算它们，这非常昂贵。

7. K-最近邻

k-最近邻算法具有非线性预测边界，因为它是一个非线性分类器。 它通过查找其 k 最近邻的类来预测新测试数据点的类。 您将使用欧几里得距离选择测试数据点的 k 个最近邻。 在 k 个最近的邻居中，您必须计算不同类别中存在的数据点的数量，并将新数据点分配给具有最多邻居的类别。

这是一个相当昂贵的算法，因为找到 k 的值需要大量资源。 此外，它还必须计算每个实例到每个训练样本的距离，这进一步增加了它的计算成本。

数据挖掘系统分类的应用

有很多关于我们如何在日常生活中使用分类算法的例子。 以下是最常见的：

• 营销人员使用分类算法进行受众细分。 他们通过使用这些算法将目标受众分为不同的类别，以制定更准确和有效的营销策略。
• 气象学家使用这些算法根据湿度、温度等各种参数来预测天气状况。
• 公共卫生专家使用分类器来预测各种疾病的风险，并制定策略来减轻其传播。
• 金融机构使用分类算法来寻找违约者，以确定他们应该批准哪些银行卡和贷款。 它还可以帮助他们检测欺诈行为。

结论

分类是数据挖掘中最受欢迎的部分之一。 如您所见，它在我们的日常生活中有大量应用。 如果您有兴趣了解有关分类和数据挖掘的更多信息，我们建议您查看我们的数据科学执行 PG 计划。

这是一个为期 12 个月的在线课程，拥有 300 多个招聘合作伙伴。 该计划提供专门的职业帮助、个性化的学生支持和六种不同的专业：

• 数据科学通才
• 深度学习
• 自然语言处理
• 商业智能/数据分析
• 商业分析
• 数据工程