tinyxml

10.14 发病概率及发病结果判断 10.15 统计视图

回归分析是研究变量间相互关系及模型预测的有效工具，广泛应用于工商管理、经济、社会、医学和生物学等领域。自19世纪初高斯提出最小二乘估计以来，回归分析已有200多年历史，涵盖了一元线性回归、多元线性回归、非线性回归等方法。本章介绍了回归模型的基本假设、修正非合理数据的方法以及回归诊断等内容。在数据挖掘环境下，回归分析可用于预测因变量，常见的模型包括线性回归和非线性回归。

小波基函数为局部支集函数，平均值为0。常用的小波基有Haar小波基、db系列小波基。Haar小波基函数满足：harr时域harr频域tf图7‐2Haar小波基函数小波变换对小波基函数进行伸缩和平移变换：1/(|a|1/2) * ψ((t-b)/a)其中，a为伸缩因子，b为平移因子。任意函数f(t)的连续小波变换（CWT）为：1/2*(1/|a|1/2) * ∫f(t-b) * ψ(-(t-b)/a)dt可知，连续小波变换为f(t)→W(a,b)的映射，对小波基函数增加约束条件2∫|ψ(t)|²dt < ∞则可由W(a,b)逆变换得到f(t)。其中，Ψ(t)为ψ(t)的傅立叶变换。

交叉销售通过发行联名卡等合作，使客户在其他企业消费中获得积分，增强与公司的联系，提升忠诚度。 通过数据挖掘分析重要客户的里程积累方式，针对性促销。保持客户对于企业至关重要，不仅因为争取新客户的成本高于维持老客户的成本，更重要的是客户流失会造成公司收益的直接损失。因此，在客户识别期和发展期后，航空公司应努力维系客户关系水平，提供优质的服务产品，提高服务水平来提高客户满意度，并尽可能延长高水平客户的消费期。

第16章 时间序列 16.1 时序模式 在餐饮业中，预测菜品销售量至关重要。基于时间序列分析，我们可以预测未来销售量，减少脱销和备料不足造成的延误，优化服务和物流成本。 16.1.1 时间序列算法 常用的时间序列模型如下表所示： | 模型名称 | 描述 ||---|---|| 平滑法 | 削弱随机波动，使序列平滑化 || 趋势拟合法 | 建立回归模型，预测趋势 || 组合模型 | 考虑趋势、季节性、周期性和不规则变动 | 根据序列特点，可以构建加法或乘法模型： 加法模型： tX = T + S + C +  乘法模型： tX = (T + S) * (C + )

对于连续属性，首先需要对各属性值进行零均值规范化，然后进行距离计算。K-Means聚类算法通常需要度量样本之间的距离、样本与簇之间的距离以及簇与簇之间的距离。常用的相似性度量包括欧几里得距离、曼哈顿距离和闵可夫斯基距离。文档数据的相似性度量通常使用余弦相似性。详细的文档—词矩阵格式可用于表达文档数据。

图9.12中的角色参数设置模型运行，如图9.13所示，展示了LDA模型的输出结果，详细显示了各体育类别的比例。在LDA模型输出结果的第三步，通过加载测试数据集，并使用“Filter Examples”操作符过滤异常值，条件与训练集相同。接着使用“Apply Model”应用模型操作符，将LDA模型和清洗后的数据连接，最终输出结果如图9.10所示。运行结果在视图9.14中呈现，绿色列显示了根据新同学的测试成绩预测的体育项目专攻结果。这些预测结果可帮助主人公分析每位同学的潜力，推荐适合他们的体育项目。

数据质量是数据挖掘的基石，而缺失值则是影响数据质量的一大隐患。 缺失值，指的是数据集中部分记录或字段信息的缺失，可能源于信息获取成本过高、人为疏忽、设备故障或传输错误等。 信息获取成本高昂或暂时无法获取，以及人为疏忽，包括认为信息不重要、忘记填写、对数据理解有误等，都可能导致信息缺失。此外，数据采集、存储、传输环节出现的设备故障或介质损坏，也可能造成数据缺失。

执行流程操作符设置流程

简单验证 原理: 将数据集划分为训练集（例如 2/3 数据）和测试集（例如 1/3 数据）。 变形: 随机子选样（参见图 15.4）。 操作流程: 加载数据集（例如 Iris 数据集）。 使用“Split Data”操作符将数据划分为 80% 的训练集和 20% 的测试集。 将训练集输入“Decision Tree”决策树模型进行训练。 将测试集输入“Apply Model”应用模型，应用训练好的模型。 使用“Performance”性能测试操作符评估模型在测试集上的准确性（参见图 15.5）。 K-次交叉验证 原理: 将数据集分为 k 个子集，轮流使用其中 k-1 个子集进行训练，剩余 1 个子集进行测试，重复 k 次。