复旦大学赵卫东博士讲解：数据挖掘技术——分类与决策树实例

"复旦大学软件学院赵卫东博士主讲的商务智能概论中，着重探讨了数据挖掘技术的重要组成部分——分类与预测。数据挖掘技术是一种从大量数据中提取有价值信息和知识的过程，它主要应用于商业智能领域，帮助企业和组织做出更明智的决策。 1. 分类与预测： - 分类是对离散和数值数据的区分，离散数据如性别、职业等归类为分类问题，而数值数据如销售额预测则属于预测问题。分类目标是通过分析历史数据训练出分类器，如决策模型，将新的对象分配到预先定义的类别中。 - 训练集是构建模型的关键，其中包含已知类别的记录，每个对象都有明确的类别标签，用于训练算法理解各类别的特征和模式。 2. 分类规则示例： - 以金融风险评估为例，如果某人的收入小于40,000元且工作年限超过5年，则被标记为“低风险”。这展示了如何根据特定条件制定分类规则。 3. 分类数据结构： - 数据集由多个记录组成，每条记录具有相同数量的字段，其中包含目标字段（指示类别归属）和独立字段（描述个体特征）。目标字段是分类任务的核心，其余字段用来决定分类结果。 4. 决策树的应用： - 决策树是数据挖掘中常用的一种方法，起源于机器学习和统计学。它们用于建立分类和预测模型，因为决策树直观易懂且广泛应用。决策树的结构包括内部节点（属性选择）、分支（分割数据）和叶子节点（最终分类）。 5. 决策树生成算法： - 决策树的生成分为两步：首先，所有数据开始于根节点，然后递归地进行数据划分；其次，进行树的修剪，剔除可能的噪声或异常值。决策树的目的是通过一系列属性测试，逐步对未知数据进行分类。 6. 决策树算法基础： - 使用贪心策略的决策树算法，例如ID3（信息增益）、C4.5（信息增益比）或CART（基尼不纯度），它们从上至下，通过不断选择最优属性分裂数据，直至达到叶节点，从而形成分类决策路径。 总结来说，复旦大学的商务智能课程深入剖析了数据挖掘技术中的分类和决策树，强调了这些工具在实际商业场景中的应用及其决策支持作用。通过学习和理解这些技术，学生可以掌握如何从海量数据中提取有用信息，并据此作出精准的决策和预测。"