机器学习：输出
机器学习的输出时一系列的模式的表达方式，是推断数据输出结构的技术
以下就是输出结构的表达方式：
一、决策表
与输入的表格相似，从输入表中找到一些合适的条件组合来确定最终的结果
二、决策树
一个决策树上的节点包含了对某个特定属性的测试。叶节点给到达叶子的实例给出一个分类。当路径采用分裂成几个部分，分裂部分需要有权值，权值和为1
路径：
1.名词性属性--名词枚举，相同名词性属性不能再树种重复出现
--名词可能的子集，可能会在一条路径上出现不止一次
2.数值属性 --区间范围，可分为区间下，区间内，区间上；残缺值有时是单独一个分支，或是多数原则
建立决策树:需要观察数据的方法来确定使用哪些属性，哪种测试方法（区间，子集等等）。
三、分类规则
结论则给出适合指定规则所覆盖实例的分类（1到n） ，或是给出实例所在类上的概率分布，如
%start
if x=1 and y=1 then class = a;
if x=1 and w=1 then class =a;
Otherwise class = b;
%end;
（决策树不容易从规则转换为树，而且会导致重复子树问题，如a-b-x,b-c-x,或缺省值；相比决策树，会避免重复子树的问题，并且较容易添加新规则。但是相反，当规则不能对所有实例进行分类，必须用策略解决，如选择出现频率高的，而决策树是不会出现的。而且分类规则对非布尔值处理起来会很麻烦，如处理区间集合）
四、关联规则
定义：对比分类规则，关联规则可以预测任何属性，不仅仅是类。分类规则组合为规则集去决定结果，而关联规则用来揭示数据集的不同规律，用来预测不同的事物。只找出覆盖实例量大，正确率高的关联规则。
定义：覆盖量coverage是覆盖实例量
正确率accuracy，也成置信度confidence，覆盖量所在比率
（注意：多结果的关联规则包含多重含义，如条件的置信度，条件和结果的重组关联规则）
五、包含例外的规则
定义：允许包含例外，或新发现的规则。
将与例外有关的规则取出，并用其他属性或定义边界添加例外的规则
六、包含关系的规则
规则中包含了其他规则，如if height（tower.top） > width(tower.top) then standing(tower.top).
七、数值预测树
在叶节点拥有平均数值的决策树称为回归树regression tree
包含回归公式的决策树称为模型树model tree
八、基于实例的表达
保存实例的规则表达式，新实例来后寻找以后的“相似”，也就是最邻近实例，此方法称为最邻近分类方法nearest-neighbor,当有多个邻近实例，则用经距离-加权的平均值
九、聚类
当输出是聚类，而不是一个分类器时，则输出是一个新实例如何落入聚类的图形形式。