数据挖掘_chaid算法下载

weixin_39821746 2019-09-11 05:30:21

针对BI中的数据挖掘算法
chaid算法的主要运用
相关下载链接：//download.csdn.net/download/ivy_123_zhao/8224677?utm_source=bbsseo

...全文

26 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

预测结核病患者的治疗结果是卫生部的一项重大工作。医疗保健系统中的数据挖掘可用于决策。数据探索中使用最广泛的是基于分而治之技术的决策树。本文的目的是为结核病患者类别创建一个预测性数据挖掘模型，以发现复发治疗，并对影响复发治疗的因素进行分类，以便为处于风险中的结核病患者提供帮助，指导和适当的警告。使用SPSS Statistics 17.0对TB患者记录的数据集进行验证，并将其应用于CHAID分类树算法中。分类树模型将两个具有统计学意义的独立变量（DSSM结果，年龄）的集合确定为患者类别的预测指标。

决策树引言决策树对比神经元网络的优点在于可以生成一些规则。当我们进行一些决策，同时需要相应的理由的时候，使用神经元网络就不行了。本章介绍三个算法 CART,CHAID,C4.5。

商品销售管理是企业经营管理中的一个重要环节，通过建立商品促销决策的数据挖掘模型，企业可以获取有助于销售决策的大量有价值的信息，从而获得竞争优势.该文采用决策支持模型来发掘不同客户群的商品购买需求.首先对收集的历史数据进行预处理，然后采用似然比计算预测字段和目标字段的相关性，对属性进行约简，最后使用CHAID算法构建决策模型.实验结果表明，约简模型的性能降低很小，但是大大提高了运行效率和分析效率，降低了过度拟合模型的风险，具有很好的实用价值.

决策树DTC数据分析及鸢尾数据集分析一. 分类及决策树介绍 1.分类分类其实是从特定的数据中挖掘模式，作出判断的过程。比如Gmail邮箱里有垃圾邮件分类器，一开始的时候可能什么都不过滤，在日常使用过程中，我人工对于每一封邮件点选"垃圾"或"不是垃圾"，过一段时间，Gmail就体现出一定的智能，能够自动过滤掉一些垃圾邮件了。这是因为在点选的过程中，其实是给每一条邮件打了一个"标签"，这个标签只有两个值，要么是"垃圾"，要么"不是垃圾"，Gmail就会不断研究哪些特点的邮件是垃圾，哪些特点的不是垃圾，形成一些判别的模式，这样当一封信的邮件到来，就可以自动把邮件分到"垃圾"和"不是垃圾"这两个我们人工设定的分类的其中一个。分类学习主要过程如下：（1）训练数据集存在一个类标记号，判断它是正向数据集（起积极作用，不垃圾邮件），还是负向数据集（起抑制作用，垃圾邮件）；（2）然后需要对数据集进行学习训练，并构建一个训练的模型；（3）通过该模型对预测数据集进预测，并计算其结果的性能。 2.决策树（decision tree）决策树是用于分类和预测的主要技术之一，决策树学习是以实例为基础的归纳学习算法，它着眼于从一组无次序、无规则的实例中推理出以决策树表示的分类规则。构造决策树的目的是找出属性和类别间的关系，用它来预测将来未知类别的记录的类别。它采用自顶向下的递归方式，在决策树的内部节点进行属性的比较，并根据不同属性值判断从该节点向下的分支，在决策树的叶节点得到结论。决策树算法根据数据的属性采用树状结构建立决策模型，决策树模型常用来解决分类和回归问题。常见的算法包括：分类及回归树（Classifica tion And Regression Tree， CART）， ID3 (Iterative Dichotomiser 3)， C4.5， Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 随机森林（Random Forest），多元自适应回归样条（MARS）以及梯度推进机（Gradient Boosting Machine， GBM）。决策数有两大优点：1）决策树模型可以读性好，具有描述性，有助于人工分析；2）效率高，决策树只需要一次构建，反复使用，每一次预测的最大计算次数不超过决策树的深度。示例1：下面举两个例子，参考下面文章，强烈推荐大家阅读，尤其是决策树原理。算法杂货铺——分类算法之决策树(Decision tree) - leoo2sk 这个也是我上课讲述的例子，引用上面文章的。通俗来说，决策树分类的思想类似于找对象。现想象一个女孩的母亲要给这个女孩介绍男朋友，于是有了下面的对话：女儿：多大年纪了？母亲：26。女儿：长的帅不帅？母亲：挺帅的。女儿：收入高不？母亲：不算很高，中等情况。女儿：是公务员不？母亲：是，在税务局上班呢。女儿：那好，我去见见。这个女孩的决策过程就是典型的分类树决策。相当于通过年龄、长相、收入和是否公务员对将男人分为两个类别：见和不见。假设这个女孩对男人的要求是：30岁以下、长相中等以上并且是高收入者或中等以上收入的公务员，那么这个可以用下图表示女孩的决策逻辑。示例2：另一个课堂上的例子，参考CSDN的大神lsldd的文章，推荐大家阅读学习信息熵。用Python开始机器学习（2：决策树分类算法）假设要构建这么一个自动选好苹果的决策树，简单起见，我只让他学习下面这4个样本： [python] view plain copy 1. 样本红大好苹果 2. 0 1 1 1 3. 1 1 0 1 4. 2 0 1 0 5. 3 0 0 0 样本中有2个属性，A0表示是否红苹果。A1表示是否大苹果。本例仅2个属性。那么很自然一共就只可能有2棵决策树，如下图所示：示例3：第三个例子，推荐这篇文章：决策树学习笔记整理 - bourneli 决策树构建的基本步骤如下： 1. 开始，所有记录看作一个节点； 2. 遍历每个变量的每一种分割方式，找到最好的分割点； 3. 分割成两个节点N1和N2； 4. 对N1和N2分别继续执行2-3步，直到每个节点足够"纯"为止。二. 鸢尾花卉Iris数据集在Sklearn机器学习包中，集成了各种各样的数据集，上节课讲述Kmeans使用的是一个N BA篮球运动员数据集，需要定义X多维矩阵或读取文件导入，而这节课使用的是鸢尾花卉 Iris数据集，它是很常用的一个数据集。数据集来源：Iris plants data set - KEEL dataset 该数据集一共包含4个特征变量，1个类别变量。共有150个样本

数据挖掘领域必须熟悉的十大经典算法也包括CART算法，另外这里也说明了统计学家发明的CHAID分类算法，同样很重要。利用案例说明了如何使用。

下载资源悬赏专区

12,795

社区成员

12,332,767

社区内容

发帖

与我相关

我的任务

其他技术论坛（原bbs）

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章