data mining - 实用机器学习工具与技术 - 读书笔记（ 一 ）

总共就 400 来页对数据挖掘的描述，剩下都是对 Weka Workbench 用法的讲解。

开始讲了 2 个比较入门级别的算法, 不知道如何翻译，扎抄原文如下：

• Inferring Rudimentary Rules
• Statistical Modeling

第一个算法也叫1R: Simplicity First: 最简单最优先法则

1) 根据每个不同的属性的值，设置一套与结论匹配的规则。如果与结论对应（假设其他属性值不变，因为某个属性值导致了结果经常出现），这个属性值代表的规则就为 true, 反之，则为 false; 把为 false 的记录简单相加，并除以符合这个属性的所有记录的个数，得到这个属性的某一些值与结论不合符的比例，比例最小的属性则对结论的关键性决定就越强

2) 根据第一条规则，为什么要计算“不符合”的属性比例，而不是计算“符合”属性的比例，这样不是更快捷？

第二个算法是基于统计建模来判别属性值与结果的概率，核心思想是 - 每个属性同等重要与独立不相关

1） 假设有四个 Attribute, Outlook, Temperature, Humidity, Windy. 有一个结果 play ( true, false). 这四个属性对结果来说，是同等重要的，没有相互依懒或者权重的关系。

2）我们计算每个属性值对应结果 play(true, false) 的概率， 如下图所示: 归纳了每个属性值的两类概率：在本属性区域内的概率，和在整个数据集当中对应的概率

那么对于给定的一个预测值，我们预测它对应的 play(true, false) 对应的概率，是这样计算的：
假设：Outlook = Sunny, Temperature = cool , Humidity = high , Windy = true , Play = ?

P(play=yes)=2/9X3/9X3/9X3/9X9/14=0.0053
P(play=false)=3/5X1/5X4/5X3/5X5/14=0.0206

有一种异常，当一个属性值 比如 Temperature = Hard Cool, 那么概率就是 0 了。 我们可以这样解决：凑份子

P(play=yes)=(2+up1)/(9+u)X(3+up2)/(9+u)X(3+up3)/(9+u)…..

这里， p1 + p2 + p3 = 1. 那么我们就可以给这些附上权重，当然有点违背 Statistics Modeling 的初衷。

统计建模的概率计算法则：

P(H|E)=P(E1|H)∗P(E2|H)∗P(E3|H)∗P(E4|H)∗P(H)P(E)