机器学习 二 输入

机器学习：输入

一、四种学习方式：

1.分类学习 classification learning ： 用一个已分类的样本集表示学习方法

2.关联学习 association learning ： 寻找任何特征之间的关联

3.聚类 clustering ： 寻找能够组合在一起的样本，并以此分组

4.数值预测 numeric prediction ： 预测出的是一个数值量，不是离散类

1.分类学习：有称指导supervised学习，因为每一个训练样本都有一个明确的结论。

2.关联学习：因为可以预测任何一个属性，所以导致关联规则数量过多。

所以要查找一个能够适用的最小样本数量，并且大于特定的最小正确率。

（小量规则覆盖大量未来样本）

3.聚类：样本可分配到多个聚类上，找出这些聚类，并且可以将新样本归入到聚类上

4.数值预测：是分类学习的变种，预测的是数值，而不是一个类

二、样本：

输入：实例，表示单一、独立的概念样本，由一组预先定义的属性来表示

(但是在实例之间有密切关系时，需要用并列样本，递归等方法，防止关系丢失)

三、属性：

是实例的一列，分为两种：名词性值和有序值

名词性值：有范围，可枚举，离散的属性（包括二分值true false）

有序值：数值，可连续的属性

四、数据准备

1.数据收集:

数据必须集中，整合和清理。

2.ARFF格式：

是有独立的、无序的实例组成的数据集的标准表示方法，该表示方法不涉及实例之间的关系。

以下ARFF格式的例子：

%

%注释

@relation weather  关系名称

@attribute outlook {sunny, overcast, rainy} 属性列表

@attribute temperature numeric

@data 实例集，缺少的数据用?补位

sunny 89

overcast 88

3.稀疏数据

如购物的商品，文章的单词出现都是全集中的一个稀疏矩阵，

所以用非0值属性的位置、值来表示实例，如：

0，10，0，0，21为{1 10，4 21}

在ARFF中的稀疏属性也是如以上表示出@data实例集

4.属性类型

ARFF允许两种基本类型：名词性值和数量之。

对于两种基本类型的定义取决于机器学习方案：

4.1 数值作为有序的刻度处理

4.2 数值是比率值测出（定义一个标准，如减去统计平均值后处以标准差，或处以最大的一个值，或减去最小值后处以最大和最小值之差）

4.3 将名词性质作为数值编码，如日期07080217的前两位为入学日期

4.4 将数值归纳为名词性值，如20为young，将名词性可续化

5.残缺值

指的是数据出现超出正常值，或者空缺。需要了解数据的人进行残缺值处理。

6不正确的值