14.各类算法（分类、聚类、关联规则）的常用度量指标及其含义、公式？

各类算法的常用度量指标如下：

1. 分类算法

- 准确率（Accuracy）：分类正确的样本数占总样本数的比例。

公式：$Accuracy = \frac{TP+TN}{TP+TN+FP+FN}$

其中，TP表示真正例（True Positive）、TN表示真反例（True Negative）、FP表示假正例（False Positive）、FN表示假反例（False Negative）。

- 精确率（Precision）：被分类正确的正例样本数占分类器判定为正例的样本数的比例。

公式：$Precision = \frac{TP}{TP+FP}$

- 召回率（Recall）：被分类正确的正例样本数占实际为正例的样本数的比例。

公式：$Recall = \frac{TP}{TP+FN}$

- F1值（F1-score）：精确率和召回率的调和平均数。

公式：$F1-score = 2\cdot\frac{Precision\cdot Recall}{Precision+Recall}$

2. 聚类算法

- 簇内平方和（SSE）：每个样本与其所属簇的质心（平均值）之间的距离的平方和。

公式：$SSE = \sum_{i=1}^{k}\sum_{x\in C_i}||x-\mu_i||^2$

其中，k表示簇的个数，$C_i$表示第i个簇，$\mu_i$表示第i个簇的质心。

- 簇间平方和（SSB）：所有簇质心与数据集总体质心之间的距离的平方和。

公式：$SSB = \sum_{i=1}^{k}n_i \cdot ||\mu_i-\mu||^2$

其中，$n_i$表示第i个簇的样本数，$\mu_i$表示第i个簇的质心，$\mu$表示数据集的总体质心。

- 轮廓系数（Silhouette Coefficient）：衡量一个样本与其所在簇的相似度，范围在-1到1之间，数值越大表示聚类结果越好。

公式：$s(i) = \frac{b(i)-a(i)}{\max\{a(i),b(i)\}}$

其中，$a(i)$表示样本i与同簇其他样本的平均距离，$b(i)$表示样本i与其他簇中样本的平均距离。

3. 关联规则算法

- 支持度（Support）：包含该项集的事务数占总事务数的比例。

公式：$Support(X) = \frac{Count(X)}{N}$

其中，$Count(X)$表示包含项集X的事务数，N表示总事务数。

- 置信度（Confidence）：在包含X的事务中，同时包含Y的事务数占包含X的事务数的比例。

公式：$Confidence(X\rightarrow Y) = \frac{Count(X\cup Y)}{Count(X)}$

其中，$Count(X\cup Y)$表示同时包含X和Y的事务数。

- 提升度（Lift）：关联规则X→Y中，Y出现的概率相对于X和Y独立出现的概率的提升倍数。

公式：$Lift(X\rightarrow Y) = \frac{Confidence(X\rightarrow Y)}{Support(Y)}$

其中，$Support(Y)$表示项集Y的支持度。