Опубликован: 22.04.2006 | Доступ: свободный | Студентов: 9354 / 1191 | Оценка: 4.27 / 3.83 | Длительность: 26:21:00
ISBN: 978-5-9556-0064-2
Лекция 5:

Задачи Data Mining. Классификация и кластеризация

< Лекция 4 || Лекция 5: 12345 || Лекция 6 >

Процесс классификации

Цель процесса классификации состоит в том, чтобы построить модель, которая использует прогнозирующие атрибуты в качестве входных параметров и получает значение зависимого атрибута. Процесс классификации заключается в разбиении множества объектов на классы по определенному критерию.

Классификатором называется некая сущность, определяющая, какому из предопределенных классов принадлежит объект по вектору признаков.

Для проведения классификации с помощью математических методов необходимо иметь формальное описание объекта, которым можно оперировать, используя математический аппарат классификации. Таким описанием в нашем случае выступает база данных. Каждый объект (запись базы данных) несет информацию о некотором свойстве объекта.

Набор исходных данных (или выборку данных) разбивают на два множества: обучающее и тестовое.

Обучающее множество (training set) - множество, которое включает данные, использующиеся для обучения (конструирования) модели.

Такое множество содержит входные и выходные (целевые) значения примеров. Выходные значения предназначены для обучения модели.

Тестовое (test set) множество также содержит входные и выходные значения примеров. Здесь выходные значения используются для проверки работоспособности модели.

Процесс классификации состоит из двух этапов [21]: конструирования модели и ее использования.

  1. Конструирование модели: описание множества предопределенных классов.
    • Каждый пример набора данных относится к одному предопределенному классу.
    • На этом этапе используется обучающее множество, на нем происходит конструирование модели.
    • Полученная модель представлена классификационными правилами, деревом решений или математической формулой.
  2. Использование модели: классификация новых или неизвестных значений.
    • Оценка правильности (точности) модели.
      1. Известные значения из тестового примера сравниваются с результатами использования полученной модели.
      2. Уровень точности - процент правильно классифицированных примеров в тестовом множестве.
      3. Тестовое множество, т.е. множество, на котором тестируется построенная модель, не должно зависеть от обучающего множества.
    • Если точность модели допустима, возможно использование модели для классификации новых примеров, класс которых неизвестен.

Процесс классификации, а именно, конструирование модели и ее использование, представлен на рис. 5.2. - 5.3.

Процесс классификации. Конструирование модели

Рис. 5.2. Процесс классификации. Конструирование модели
Процесс классификации. Использование модели

Рис. 5.3. Процесс классификации. Использование модели
< Лекция 4 || Лекция 5: 12345 || Лекция 6 >
Светлана Лазарева
Светлана Лазарева

При текущей загрузке на смогу ежедневно уделять изучению курса указанное в темах время. Возможно ли изучение в персональном темпе? Есть ли ограничения на сроки? 

Дмитрий Прочухан
Дмитрий Прочухан

Можно ли пересдать экзамен ?
 

Александр Кудаков
Александр Кудаков
Россия
Павел Левытченков
Павел Левытченков
Беларусь, Минск